近年来,随着计算机视觉技术的快速发展,以深度学习为代表的模型驱动类方法在素描人脸合成领域发挥了巨大作用,但也存在一些不可忽视的问题。传统素描人脸合成方法生成的人脸轮廓清晰度不足,纹理粗糙,轮廓内的面部特征细节有所缺失。同时,图像中存在着明显的粗糙像素点,素描风格缺乏真实感。为了解决上述问题,本文提出了特征级联模块,并在此基础上作了针对性改进,主要贡献概括如下:1、提出了一种基于特征滤波的生成对抗网络素描人脸合成方法。针对传统素描人脸合成方法中纹理粗糙、细节缺失等问题,该方法首先通过级联的特征提取模块对不同尺度的人脸特征进行提取,丰富人脸特征细节,并通过特征损失约束光学照片与合成素描图片之间的差异。然后通过外观滤波与纹理处理模块对素描图的外观轮廓与纹理细节进行处理,并通过对应的外观损失与纹理损失提升合成图像的外观轮廓与纹理细节表现。最后通过全变差损失函数减少图像中的粗糙像素点,提高图像整体清晰度。实验结果表明,在CUFS和CUFSF数据集上的PSNR指标分别提升了10.22%和13.62%,SSIM指标则分别提升了9.34%和11.21%,证明了该方法在丰富人脸特征、改善纹理细节以及减少图像粗糙像素点等方面的有效性。2、提出了一种基于自适应三元组损失的生成对抗网络素描人脸合成方法。上述基于特征滤波的方法改进了素描合成图像的纹理细节表现,但是人脸边缘模糊、素描风格失真的问题依然存在。为此,引入了自适应三元组损失模块,旨在约束光学照片与合成素描图片之间的差异,提高合成图像素描风格真实性。具体而言,利用AdaIN模块合成的正样本与负样本,对网络进行训练,确保网络能够在完整还原光学人脸面部特征的同时,保持素描图像的风格不失真。除此之外,针对人脸边缘不清晰的问题,添加了边缘平滑处理模块。通过改进的对抗损失训练判别器,提高判别器性能,使合成结果的人脸轮廓更加清晰完整。实验结果表明,在CUFS和CUFSF数据集上的PSNR指标分别提升了9.90%和13.94%,SSIM指标分别提升了8.50%和12.17%,且合成结果中人脸边缘更清晰,素描风格更真实,网络的稳定性也更高。进一步,针对网络模型训练与测试的内存消耗与时间开销的实验分析表明,本方案可以在不增加过多计算开销的条件下获得网络性能的较大提高。