图像生成指计算机通过人工智能领域的相关算法,自主产生和真实图片相近的生成图片。其在计算机视觉领域有着重要的地位,主要用于计算机辅助设计、图像编辑、艺术设计、信息转换等领域。然而,目前多数生成图像的实际使用并不普遍,这主要是因为生成图像的质量较低,与真实图片比有较大的差距,特别是在复杂图片的生成任务中,这个缺陷会进一步放大,这使得生成图片难以投入实际的使用。为了进一步提升生成图片的质量,一套合理的质量评估方法是不可少的,其能够在模型训练过程和结果优化中起到作用。传统针对生成图片的质量评估体系均建立在大量图片的统计特征分析,这些评估方法不能细化到单幅图片,只能对图像的整体情况做一个粗略的评估,这样的评估结果不管在模型训练过程中还是在结果的优化中,作用都是有限的。为了解决这个问题,本文在调查了图像质量评估领域的相关理论后,提出了一系列针对单幅生成图像质量的评估算法。这些方法能够显著提高生成图片的质量,从而让这些图片更能够投入到实际的使用中。文本合成图像是生成图像的重要应用之一,因为文本包含的信息相对较少,其生成图片的质量不尽人意,本文以该领域的生成图片为典例,研究图像质量评估算法在生成图像质量的优化作用。具体工作如下:第一,本文提出了一套有监督的深度学习方法,我们自己制作了一个针对生成鸟类质量评估的数据集,之后基于改进后神经网络模型提出了一个生成图片质量评估的算法。第二,本文设计了实验,以第一个工作为例,说明了有监督学习在生成图片质量评估领域的局限性。第三,本文分别使用了无监督学习和半监督学习两种策略设计模型,以较小的代价实现了功能较强的生成图片质量评估算法。本文从有监督学习到无监督学习,以文本合成图像领域中的生成图像为样例,对单幅生成图质量评估做了一些探索,并将图像质量评估算法用到生成图片的质量优化中。从实验结果来看,我们设计的三个图像质量评估算法在客观指标上比传统方法更有优势,主观上也与人类对图像质量的感知一致。我们选择了一些文本合成图像工作,并用我们的评价算法优化这些生成图片,优化后在质量上均有了显著的提升。除此之外,本文还贡献了一个针对鸟类图像质量评估的数据集,并通过一系列的实验验证了数据集的合理性。从这个领域来看,本文通过有监督学习过渡到了无监督学习,通过实验验证了有监督学习中存在的局限性,提出生成图像质量评估研究重点应该放在如何在数据集受限的情况下高效地训练模型。