人脸图像美化是深度学习领域和机器视觉领域的一个重要研究方向,适用于造型设计、整容参考、数字图像美化和虚拟角色设计等方面,正在吸引越来越多研究者的关注且有着广泛的应用前景。但是,目前尚没有一个公认的人脸美化方法和美丽评价标准,并且大多数现有的美化算法也存在各自的优劣,于是人们将目光转向了热门的深度学习领域。在深度学习领域中,生成对抗网络是近年来最具潜力和前景的生成模型之一,它主要应用在机器视觉任务中负责产生自然图像样本,也可以用于自然语言处理、音乐生成和视频合成领域。本文设计并实现了一个基于生成对抗网络的自适应人脸美化模型,此模型通过真实的人脸图像和给定的条件生成美化后的人脸图像。本文的主要研究内容包括:第一,研究了生成对抗网络及其相关工作在灰度图像彩色化、图像合成以及地形建模方面的应用,并比较了不同的改进方法对结果的影响,分析了网络内部参数的作用,积累了实践经验并加深了对生成对抗网络的理解。第二,训练一个判别网络用于评估人脸样本的美丽程度,并将评价结果作为无标签样本的标签,以扩大带标签训练样本的数量。第三,设计人脸美化模型的结构,将样本标签作为模型的生成条件以便控制生成样本的美化程度,并且针对人脸美化的需求加入自动变分编码、输入样本随机裁剪、梯度惩罚策略等方法,提高模型的美化能力和训练的稳定性。第四,根据人脸美化模型的实验结果对模型性能进行分析和评价,并调整人脸美化模型的超参数和网络结构,从而提升生成样本的质量。然后,结合其他美化方法和深度学习方法对生成样本进行后期处理,进一步提高美化的效果。本文的创新之处在于:第一,分离卷积操作,降低了网络内部参数之间的相关性。第二,应用梯度惩罚和感知路径长度方法来稳定模型的训练过程。第三,向生成网络和判别网络加入输入条件限制以控制生成结果的特征。第四,加入VGG16为编码器,配合生成网络构成变分自动编码器,并使用色彩转换层将生成网络和编码器对应层连接起来。本模型优势在于:训练过程稳定且高效,操作简单,运行速度快,美化结果多样而不单调,并且可以直接对样本的美化程度进行调节。