近年来,图像生成,图像编辑,表征学习等计算机视觉任务在生成对抗网络的帮助下取得了飞快发展。其中,这些任务能够取得进展的主要原因在于生成对抗网络的关键部分——对抗损失函数。目前,该损失函数被广泛应用在无监督任务中。此外,对于生成对抗网络,其优秀的图像生成特性也为数据增广任务提供了新思路。本文将从图片像素化和图片反光去除两个任务出发,探索生成对抗网络在无监督训练和数据增广这两方面的优越性。图片像素化任务作为图片缩放任务的一个分支,研究人员常常利用传统下采样算法来解决,该类算法常常引入滤波器来实现图片的下采样。但图片被该类算法处理时,常常因为实现抗锯齿的目的,被处理的图片无法保留像素艺术风格的特点,例如明显的物体边缘等。本文针对传统下采样算法的局限性,提出了利用全卷积网络来实现图片像素化。并且在训练全卷积网络时,由于成对数据的缺失,本文的像素化方法基于循环一致性思想利用了循环生成对抗网络来实现无监督训练。实验结果表明,相比于其他方法,本文提出的像素化方法不仅很好地保留了原图细节,并且最大程度地呈现了像素化艺术风格。图片反光去除任务在深度学习领域中,因为训练数据的缺失,导致网络在训练后泛化性能不足。针对这一点,本文利用生成对抗网络模拟反光过程的物理模型,来生成大量接近真实照片数据分布的训练数据。并且,根据循环一致性思想,本文通过模拟反光的过程,提出了特定的新型反光去除网络。实验结果表明,通过合理地利用生成对抗网络来实现数据增广并且利用循环一致性思想将反光合成和反光去除融合在一起,能够增强反光去除网络的泛化性能。在部分测试数据集上,本文提出的反光去除网络在分数评测和视觉效果方面均取得了更好的效果。