尽管生成对抗网络迄今取得了显著的成功,但将其应用于解决现实世界的问题仍然是一个重大挑战。在真实的交通监控场景中,生成多样化颜色的货车或轿车图像而不改变车牌等纹理细节这一任务,条件图像生成很难通过控制颜色属性来改变生成结果。图像风格转换的生成结果不可避免地会呈现色斑,且不能在特定区域进行颜色风格转换。甚至是最新的解耦表征学习也不能将颜色单独解耦出来,控制除颜色之外的其它因素保持不变。为了解决这个问题,本文受启发于图像着色任务,基于MemoPainter,将记忆增广网络中的空间颜色对设为一对多的映射关系,并引入颜色属性来引导训练更新,最后通过融合模块来滤除不想要的颜色改变。虽然融合模块能一定程度上提高着色结果的真实性,但部分呈现边缘失真,仍不是我们理想方法。所以,本文进一步摒弃原有的记忆增广网络,采用区域自适应归一化代替AdaIN进行基于风格示例图像的特定区域颜色转换。具体两部分工作如下:（1）基于记忆增广网络的少样本车辆图像多样化着色的研究:现有的在RGB颜色空间进行训练的图像生成模型都或多或少导致车牌等纹理细节失真,而现有的图像着色任务大多只能进行单颜色着色,或需要大量样本进行训练。为了解决纹理改变和颜色多样性问题,我们在CIELab空间进行图像着色实验,并引入记忆增广网络实现少样本多颜色车辆图像生成。在本小节中,我们主要工作如下:（1）我们的模型能在少样本的情况下同时生成多种颜色的着色结果。这是因为在我们的记忆网络中的空间颜色对的映射关系是一对多的。输入一张车辆图像,记忆网络可以基于特征提取器提取出的空间特征检索出对应的多种颜色特征,然后将它们送入生成器生成得到结果;（2）我们使用颜色属性作为条件来指引特征提取器和记忆网络的训练和更新,以确保空间颜色对是有序的。除此之外,我们的融合模块还可以滤除背景等不需要的颜色改变以生成高质量的着色图像;（3）在三个基准车辆数据集和我们新提出的货车数据集上,我们的LPIPS和FID指标都优于最新的其他方法。与一些其它的数据增广方法相比,我们的方法作为一种离线数据增广方式可以提高目标检测的精度,验证了我们的方法可以为一些如目标检测的下游任务提供帮助,可用于离线数据增广。（2）基于区域自适应归一化的车辆图像多样化着色的研究:现有的着色方法包括我们的工作一都是对整张图像进行着色,虽然着色效果尚可,但是仍然不能满足我们的需求。我们想要达到通过控制分割掩码来进行特定区域的多样化颜色风格生成。目前,SEAN可以单独控制每个语义区域的风格,为每个区域指定一个风格参考图像。因此,我们决定使用SEAN作为我们研究的基础,将其引入MultiColorGAN,名为Multi-ReColorGAN。它与Multi-ColorGAN一样工作在CIELab颜色空间,将输入的RGB参考图像转换到CIELab颜色空间。我们与其不同之处在于,分区域量化ab通道到313个块,来得到313*s维的颜色风格特征。除此之外,我们摒弃了AdaIN,将内容图像的灰度图和分割掩码作为生成器的输入,通过区域自适应归一化,将313*s维的颜色风格特征分区域注入内容图像的灰度图,并与鉴别器对抗训练,以生成不改变纹理等细节的车辆多样化颜色图像。为了进一步地让生成结果更加自然,我们还引入了感知损失。在三个基准数据集和工作一提出的货车数据集上,我们进行了大量的实验对比及消融实验,验证了我们方法的有效性。