图像到图像转换是一类视觉和图形问题,目标是通过使用一组配对的图像来学习输入图像和输出图像之间的映射。图像到图像转换技术有着广泛的应用。如,超分辨率重建,图片风格化,图片编辑等。传统的图像到图像转换技术主要使用配对的图片对进行学习。但是这种成对的图片数据需要人工来标注,需要很大的劳动力成本,限制了数据集的规模。而未配对的数据则广泛存在于日常生活中,具有更高的实用价值,同时也带来了更高的实现难度。本文主要研究基于未配对数据的图像到图像转换技术。通过对已有方法的改进分析,大大提升了图像转换的效率和和生成图片的效果。目前,对于未配对图像到图像转换的研究主要分为两类,双域图像转换和多域图像转换。在双域图像转换任务中,现有的研究主要基于对偶一致性理论,其将两个转换方向用两个神经网络进行学习。这种方法直接在像素空间进行拟合,生成的图像缺乏纹理转换信息,而且像素空间的转换没有利用图像之间共享的基础属性。在多域图像转换任务中,近期一些工作通过引入一个条件变量来控制转换的方向,但是很难同时生产同属于两个不同域属性的图片,或者对属性表达程度加以控制。如在应用场景中,往往需要同时生成具有美颜和微笑属性的图片,或控制生成图片中美颜的程度。基于以上的分析,本文提出了两点改进。在双域图像转换框架中,提出了深度共享空间结构,图像通过共享的VGG网络提取具有语义信息的层级表示,然后通过生成对抗网络进行融合。对于多域图像转换,本文提出了具有两个判别器的网络结构,分别在隐含层和像素层对生成图像进行判别,使得图像可以同时生成具有多个域属性的图像,并且可以控制属性在生成图像中的表达程度。两个改进的模型在常见的数据集上进行了详细评估,展现了很好的效果。