人体姿态合成是根据少量人体姿态关键点合成同一个人不同姿态的任务也是计算视觉领域与人体姿态相关的一个重要分支。近年来研究发现人体姿态合成技术在数据集扩充、视频预测以及视频合成等方面有着巨大的应用价值。因为传统方法合成的人体图像虽然在姿态和外表上接近目标图像,但是姿态与目标图像契合度还不够,图像细节方面保留度较差,生成图像与目标图像差距较大。因此,本文基于以上问题,结合深度学习理论设计模型针对姿态契合度和细节保留度两个方面进行改进。本文的工作及创新如下:1,针对生成图像姿态不匹配的问题,本文对传统的生成式对抗网络进行改进,创新性地提出了双输入生成模型。增加一条网络路径对目标姿态关键点图像单独编码,然后结合原始网络形成双输入的生成网络。目标图像的姿态特征在上采样时与原始图像上采样阶段对应尺寸的特征结合,最终得到逼近目标图像姿态的新图像。增加了一条对姿态信息的编码路相当于提高了生成阶段的目标姿态信息的利用率,得到更多姿态信息的生成器可以生成更加匹配目标姿态的图像,从而改善生成图像姿态不匹配的问题。实验在公开的数据集上进行,结果显示本文提出的这种方法有助于提高生成图像的质量。2,为了使生成图像的细节更加丰富,本文从内容相似度入手构建了带有内容重建网络的姿态合成模型。内容重建网络对生成的图像的内容进行重建,约束生成图像和目标图像之间的距离,通过拉近图像高层特征之间的距离来缩小图像之间的差距,从而使生成图像在内容上更加接近目标图像。这种优化高层特征空间的距离来拉近图像之间差异的方法,使得生成图像的细节更加丰富。3,为了提高生成图像的质量减少网络的复杂度,本文进一步构建了带有注意力机制的模型。将注意力机制内嵌到残差网络中,加深生成网络,提高网络特征提取的能力,同时还减少随着网络加深带来的特征丢失。类似于人体视觉注意力机制对特有信号有着特有的处理方式,图像的注意力机制使得网络对生成图像的姿态相关的信息赋予较大的权重,使网络对生成图像的姿态更加关心,而与姿态无关的信息注意力机制赋予较小的权重。因为注意力机制是内嵌到网络中的,使用注意力机制缩减了网络的规模,同时生成的图像更加接近目标图像,在公开数据集上的实验也表明这种带有注意力机制的网络生成目标图像的效果出众。