生成对抗网络是人工智能领域的一个热点研究内容,近年来各类诸如换脸,服装试穿,表情模拟等热门应用都与生成对抗网络密切相关。此外,生成对抗网络还被应用于图像超分辨率,声音合成,数据增强等工作中,和人工智能的其他研究分支都有着良好的交互前景。原始生成对抗网络(Generative Adversarial Networks,GAN)可以被描述成一个博弈过程,其中有生成器和分类器两个参与者,其中生成器被用作学习将一些简单的输入分布变换为图像空间上的分布,而分类器被用于鉴别生成的图像来源于真实分布还是生成分布。整个博弈过程中生成器尽可能的欺骗分类器,使得生成的图像尽可能和真实图像相近。生成对抗网络虽然有着广泛的应用前景,但也时常因为难以训练而饱受诟病,生成对抗网络往往容易产生梯度消失、梯度爆炸、模式崩溃等问题,因此将首先对于几类经典的生成对抗网络模型进行理论分析研究,阐述其优点缺陷,并在此之上,提出了一种含有交互集成思想的生成对抗网络架构(Swap Ensemble GAN,SE-GAN),该架构由一组领导者组和几组工作组组成,通过领导者组和工作组进行定期的信息交互来达到提升生成对抗网络性能的目的。实验利用控制变量的参照手段固定参数和模型网络结构,在多个数据集上对使用SE-GAN框架和不使用SE-GAN框架的生成对抗网络进行对比验证,也同时测试了利用数据并行的生成对抗网络做对比,结果表明了SE-GAN能有效提升相应生成对抗网络性能。另一方面,以基于形态匹配的生成对抗网络Shape Matching GAN为原型,将其迁移运用到轮廓图形的风格转换,并对原有方法进行边缘效果的优化,提出了一种Fine tune的Shape Matching GAN。该方法通过将生成图像分为内部、边界和边界多级外邻域,进行分级插值,克服了原始Shape Matching GAN在轮廓转换时存在的边缘细节模糊等严重问题,使得生成图片获得具有在边缘外部有渐近效果的展现力。同时针对人们对于个性化图像编辑的需要,将此方法结合实例分割网络Mask RCNN以及快速风格变换Fast Neural Transfer等技术,设计一款简洁便利的自主风格转换系统。