计算阶段、认知阶段和感知阶段是人工智能通常分为的三个阶段。计算阶段通常表现为计算机进行正常的数据运算和存储。人工智能在认知阶段的表现为计算机能够接收来自外界的信号,在这个阶段主要的研究方向有文字识别、图像识别和语音识别等。感知阶段使现阶段研究重点,该阶段不仅包含了前面两个阶段的能力,还在此基础上能够进行数据的理解、数据的判断、新数据的生成、数据的实际运用等。其中最为核心的部分就是计算机的理解能力。本文中使用的GAN就是一种典型的生成式模型,这是人工智能的理解能力的一种反映。SinGAN将GAN的使用带入了一个新领域——从单一的自然形象中无条件的学习。本文进行的具体工作如下:（1）在SinGAN架构的基础上,本文提出了Shuffling-SinGAN模型,这是一种有效的无条件生成模型,它针对单个自然图像进行训练,用于一般图像处理。本文中的新网络包括一个完全卷积的GAN金字塔,其中每一层负责学习图像在不同尺度上的补丁分布。可以使用本文中的网络生成具有可变性的新样本,这些样本保持原始图像的纹理和全局结构,同时在细节上和原始图像不同。（2）受SinIR的启发,本文决定在网络中添加随机像素擦除模块。经过实验发现添加了新模块后的模型会产生更多的随机新样本。新模型Shuffling-SinGAN同样允许生成任意大小和纵横比的新样本,这些样本具有更加显著的可变性,同时保持训练图像的全局结构和精细纹理,经过人工视觉实验发现生成的样本通常被混淆为真实图像。经过评估,本文证明了Shuffling-SinGAN在随机图像生成方面具有竞争力。（3）在新的深度学习网络成功训练后,本文将它进行了进一步的使用,将它用在了超级马里奥关卡生成领域,通过多次实验发现,本文的新模型在超级马里奥关卡生成中比直接使用SinGAN模型的TOAD-GAN效果要好,可以说明新的模型在关卡生成领域也具有一定的改进效果和运用价值。