图像生成,旨在使用机器学习或者深度学习方法生成满足用户需要的虚拟图像。目前主流的图像生成算法多数是文本到图像的生成,这类算法在简单语义结构下通常具备较好的表现能力。但是当文本描述中的语义结构较为复杂时,例如对象数量多,对象之间关系复杂等情况,生成的图像中对象轮廓不清晰,边界模糊,图像质量低。后续有工作为解决上述问题,提出了场景图到图像的生成模型,以图结构的数据作为输入,通过挖掘场景图中复杂的语义结构,弥补文本描述的不足。但是这类算法同样有一个弊端,尽管生成的图像布局更加合理,轮廓边界更清晰,但对于对象的细节刻画不够丰富,无法利用原始文本描述中对对象细节的描述信息,图像质量同样较低。本文为突破单一辅助信息的局限性,提出了基于场景图与文本描述相结合的图像生成算法,利用两种信息的互补性共同指导图像的生成。该工作提出的图像生成网络分为两个阶段:在第一阶段中,提出场景图解析器从文本描述中提取场景图,提出多模态特征融合模块融合文本描述特征和场景图特征,并在此基础上生成低质量图像;在第二阶段中,提出过渡模块对文本特征进行增强处理,通过进一步挖掘文本描述中的细节信息,提升第一阶段低质图像的生成质量,输出对细节刻画丰富的高质量图像。为验证本文方法的优越性,本文设计了充足的对比实验,对主流图像生成模型在指定数据集上进行复现,然后同本文方法生成的图像进行对比,并通过IS和FID指标客观评价各种方法的模型性能。同时针对重要的特征融合模块和过渡模块,设计了消融实验,用传统的方法代替两种模块,进行IS、FID指标评判,展现两种模块对于模型性能提升的重要性。