图像多样性生成的目的是通过对给定的图像做一定的处理,使其在保持原有主要特征的前提下转换成多种有别于原始图像的目标图像。该技术被广泛应用于创意性设计、缺失生成以及图像编辑等方面,在人工智能、移动互联网和多媒体领域有着极其重要的作用。传统的浅层图像多样性生成算法多采用线性映射,只是将图像简单的拼接和变换来生成新的图像,难以挖掘出图像中隐藏的深度非线性特征,并且破坏了图像原有的空间结构。近年来,基于深度学习的图像多样性生成算法通过层次学习逐步挖掘出能够描述图像本质内容的特征信息,成为了目前研究的热点。尤其是生成对抗网络的兴起,因其良好的自主生成能力和巧妙的弱监督学习模式使得图像数据的生成速度和生成质量得到了质的飞跃。但是,现有基于生成对抗网络的图像多样性生成算法存在生成的图像过于相似,多个不同的输入对应着相似的输出的问题,即模式崩溃。针对此问题,从深度学习和对抗学习入手,深入研究基于图像的随机多样性生成和指定多样性生成算法,具体研究内容如下:(1)针对图像随机多样性生成算法主要是考虑生成样本与含有噪音、冗余特征的原始样本之间的误差关系,导致生成图像模糊且存在多样性不足的问题,提出了 一 种一致性生成对抗网络框架(Consistent Embedded G AN for Image-to-Image Translation,CEGAN)。该网络利用子空间学习提取风格特征分布,通过随机采样学习到的风格特征分布以实现生成多样性;同时通过潜在空间的对抗学习来抑制原始图像中噪音和冗余特征的不利影响以实现高质量生成。在五个常用数据库上定性和定量的实验结果表明CEGAN具有较好的性能。(2)针对图像指定多样性生成算法在生成指定属性时易受到图像中原有属性干扰这一问题,提出了一种联合属性学习的图像多样性生成算法(Image Diversity Generation based on Joint Attribute Learning,JAL)。该算法结合属性分解网络和属性分类器将图像分解成属性相关特征和固有结构特征,同时进一步通过属性循环一致性重构反过来更新网络来得到更好的特征描述,从而在给定属性的条件下指导生成特定属性的高质量图像。在RaFD和CelebA人脸数据集上的实验结果证明了所提算法JAL的有效性。