多视图生成（Multi-view Generation）是指通过给定物体的某个单视图来生成物体其他视图,是3D物体重构和检索、机器抓取等应用中的一个关键技术,成为近年来计算机视觉和机器人学等领域的一个研究热点。但当前的多视图图像生成方法还存在对三维模型库的依赖大,受限于特定类别的生成,细节保留度低以及泛化能力差等问题。针对这些问题,本文从本征特征提取和特征空间分布的角度研究了基于生成对抗网络的多视图生成方法,利用对比学习训练适用于多视图生成场景的特征提取器,提取物体在3D空间中的本征信息,同时使特征均匀分布在特征空间中来获取全空间的完整特征表示,建立了以生成对抗网络为基础的多视图生成模型,实现了基于视角不变和均匀分布特征的多视图生成,有效提升了生成视图图像的质量,在与已有方法的对比中取得了较好的实验效果。本文的主要研究内容和创新点如下:（1）提出一种面向多视图生成的视角无关特征提取方法。通过提取视图的视角无关特征来获取各视图之间的共享3D信息,有助于生成模型从输入视图中获取最大参考信息进行视角转换生成。为获取视角无关特征,本文基于对比学习思想,将同一物体的不同视图视为正样本,通过使正样本的表征之间互信息最大化,使其在特征空间中相互靠近,达到提取视图间共有信息的目的。实验表明利用提出方法提取的本征特征更有利于提升生成视图的质量。（2）提出一种全空间特征学习方法。基于编码器-解码器结构的图像到图像转换方法通常受训练样本数量的限制而只能学习到某个子空间的特征,当在处理网络未见过的样例时,因未见样例的特征表示被编码到子空间之外而出现生成效果不佳的问题。针对这一问题,本文基于对比学习思想,将不同物体的不同视图视为负样本,施加约束使其在特征空间中相互远离且尽可能地均匀分布,达到实例区分的目的,同时实现对特征空间的完整探索,提高模型泛化能力。特征分布的可视化实验和消融实验验证了本方法的有效性。（3）提出一种基于视角不变和均匀分布特征的多视图生成方法。多视图生成任务可看成以目标视角为条件的图像到图像生成,本文基于条件生成对抗网络,采用视角无关特征提取方法和全空间特征学习方法实现对输入视图的本征信息提取,并获取完整的特征表示。接着结合目标视角标签生成经过视角转换后的视图,采用对抗训练的生成模块则在保留原视图的身份信息的基础上预测原视图中被遮挡部分的内容。在人脸和椅子的多视图生成实验中,本方法的有效性得到了验证。