基于草图的图像生成是目前的研究热点,现在有很多关于草图生成的图像任务取得不错的效果,但是具体的目标还是一些比较简单的对象例如人脸、鞋子和动物姿态等,这些对象往往具有类似的结构,同时在线条地刻画上也比较简单。本文主要研究的是如何通过生成对抗网络来实现草图生成服装图像,服装具有复杂的纹理结构和变化多样的款式,基于服装草图的图像生成具有一定的难度,首先服装在线条的刻画上就比人脸和猫脸复杂得多,而在结构上也比动物姿态更加千奇百怪,更为复杂的是,服装拥有的属性例如颜色纹理和风格款式等是简单的鞋子无法比拟的。因此,本文就这个问题展开实验研究,本文主要做了以下三点工作:1.生成对抗网络实现图像转换需要大量可以用于学习的图像数据作为支持,但由于服装数据集的缺失,无法满足研究的条件,因此提出一种解决方案来构建本文实验所需要的服装数据集。利用现成的图像目标物显著性边缘检测算法对收集得到的服装真实图像进行逆向生成服装草图来构建本文的实验数据集。2.在已有的多样化图像转换网络的基础上,本文针对其网络架构的生成器做了重点的改进,通过在U-Net结构的生成器中加入注意力机制模块,同时调整了网络架构中的判别器和编码器来使整个网络的性能得到提升,使其生成的图像更加清晰。3.基于已有的图像转换网络的基础上,改进了其生成器和判别器。在生成器中加入注意力模块以提升图像生成的效果,在判别器上使用了两个尺度的判别器,在全局感知和局部细节感知上拘束生成器生成更高质量的图像。在损失函数上引入了特征匹配损失函数和感知损失函数的设计,使生成的图像更具有真实感。经过本文的实验可以表明,本文的方法能够生成比较真实的服装图像。从实验结果的数据对比和数据分析可以证明,在FID的指标上,本文改进的多样化图像转换网络与其他相关的方法对比有显著地提升,在SSIM、PSNR和感知损失上本文改进的图像转换网络与其他相关的方法对比有显著地提升。