图像风格转换旨在将给定内容图像转换到指定风格,但保持内容不变。相关任务,包括人脸照片-画像合成、图像超分辨率重建等,在公共安全和数字娱乐领域存在广泛的应用。近年来,基于深度学习的画像风格转换方法在多种任务中取得了巨大成功。不过,如何有效训练深度网络以生成逼真细节,仍然是一大挑战。此外,现有生成方法生成的图像普遍包含复杂的纹理结构,难以实现相关技术的应用推广。为了克服这些困难,本文分别提出了一种新的生成对抗网络以及一种新的人脸简笔画生成算法。具体而言,本文研究工作主要包含以下两点:(1)首先,本文提出了一种基于增量型聚焦损失的图像风格转换方法。在该本方法中,本文引入了一种新型的增量型聚焦损失,使得模型在训练期间可以逐步关注难以学习的例子从而提升模型生成图像细节的能力。此外,本文还提出了增强的自我注意力机制提高生成器的表征学习能力。我们将这两项技术分别应用于无监督型和条件式生成对抗网络中。实验结果表明,该方法在多种图像转换与图像生成任务中,显著提升了生成图像的视觉质量。(2)其次,本文提出了一种鲁棒的人脸肖像简笔画生成方法。具体而言,该方法提出了一种局部稀疏约束,使算法只生成人脸的主要轮廓,从而减少纹理及线条数量。此外,本文还提出了自一致性损失,使模型能够重构风格图像,从而大幅提升了线条的连贯性和逼真度。最后,我们提出了多种图像预处理和简笔画后处理策略,用于优化生成简笔画中的细节。实验结果表明,该方法能够将给定人脸照片转换为由少量连续线条构成的逼真简笔画。此外,该方法对于人脸姿态、背景等具有很强的鲁棒性,并且可以扩展到非人脸图像中,对于相关技术的落地应用等具有重要意义。综上所述,本文提出了两种图像风格转换方法。相较于传统图像转换工作,我们的方法有效提升了生成图像的质量。本文提出的相关技术可以应用到该领域其他任务重,并且对于图像风格转换的应用推广有重要价值。