随着互联网技术的蓬勃发展,网络上存储的信息也越来越丰富。人们每天都会接触到海量的视觉信息,但通过搜索引擎很难搜索到自己真正需要的图像。文本生成图像系统允许用户通过输入文本描述信息,自动生成与之相符的图像并返回给用户。这样的搜索方式能更好地响应人类个性化品味的需求。2014年,生成对抗网络横空出世,开启了图像生成领域的新篇章。文本生成图像任务也受到越来越多研究人员的关注,其最大的挑战是生成真实、多样,且与文本语义一致的图像。近几年,文本生成图像的技术不断更新,但是生成的结果依然不尽如人意,仍有很大的改进空间。针对文本生成图像中的挑战和问题,本文主要研究成果如下:(1)针对现有的文本生成图像算法所生成的图像往往具有模糊不清、全局结构扭曲、细节语义不一致的问题,本文提出了一种新型的基于双注意力生成对抗网络的文本生成高分辨率图像算法。该算法包括两个核心的网络模块:基于双注意力模型的视觉特征重构网络,通过关注相关词语和不同视觉区域的特征来增强局部细节和全局结构;基于倒置残差结构的亚像素特征重构网络,通过扩宽残差结构中间层的视觉特征表达容量,提高非线性表达能力。此外,为了稳定生成对抗网络的训练,该算法在生成网络和判别网络中同时引入了谱归一化技术。在多个数据集上的实验结果表明,该算法能够生成更加多样的、真实的样本。(2)单个全局判别网络因过度强调某些有偏差的局部特征会导致图像整体失真。因此,本文提出了一种新型的基于图像质量感知的文本生成高质量图像算法,通过自监督学习方式来提高图像生成质量。在辅助任务中,本文提出了一个基于图像质量感知的排序网络,该网络采用孪生网络结构,对自主构造的不同程度的失真图像进行质量排序评估;在基于生成对抗网络的文本生成图像模型训练过程中,本文引入了一个新的感知排序损失函数,来优化生成网络生成图像的质量。在多个数据集上的实验结果表明,该算法能够生成质量更高、更真实的样本。(3)基于以上研究,本文设计并实现了基于文本语义的高分辨率图像生成系统,跨越“语义鸿沟”,实现个性化图像定制。该系统采用B/S架构实现,具有完备的图像定制、丰富的可视化和完善的交互功能。