图像翻译指的是将输入图像从源域映射到目标域,使其拥有目标域的特定属性。图像的属性可以根据图像的基本特征或图中的具体应用场景和目标对象来定义,例如可定义图像的分辨率、色彩等基本属性,也可定义场景图像所处的季节、天气属性以及人脸图像的表情、年龄属性等等。图像翻译在许多图像处理任务中有着广泛的应用,包括图像风格迁移、图像超分辨率、人脸属性编辑等等。本文要解决的多域图像翻译问题是对于给定的多个图像域,实现图像从源域向其他任意一个域转化,生成图像不仅要获得目标域属性,同时要保留原图像的属性无关细节。主要应用于场景图像在多个天气、季节域中转化,来实现包括图像去噪、图像自动化的批量编辑以及虚拟场景模拟、仿真等任务。生成对抗网络(Generative Adversarial Networks,GAN)基于零和博弈的思想,通过生成器和判别器相互对抗的过程,辅助生成器学习真实样本的分布,在图像生成上有突出的表现,因此目前大多数图像翻译方法都是基于GAN方法。本文基于生成对抗网络提出多域间的图像翻译模型,并在不同数据集的上实现有监督和无监督的翻译方法。主要创新点如下:(1)预处理得到一批成对的天气数据集后,提出了一种基于成对数据集的多域图像翻译方法。模型基于Att GAN网络框架,在生成器中加入压缩激励模块为特征图分配权重来充分利用有效的中间特征图,以及利用预训练的VGG19提取真假样本的高维空间特征,计算得到感知损失并结合L1损失来进一步约束生成空间。通过大量的对比实验证明了这两点改进能够有效提升生成图像质量,并且在恶劣天气向晴天翻译的应用中取得最好的效果。(2)提出了一种基于不成对数据集的多域图像翻译方法。模型基于生成对抗网络,并结合Single GAN中的域编码映射和多判别器方法。主要创新点是在生成器中加入了空间特征转换层,利用图像的分割语义信息指导图像生成过程。通过在不成对的交通场景相关的天气数据集上训练模型,并与其他同类模型对比后,证明我们的方法能够生成高质量且多样化结果。同时将模型应用于季节和瞬态场景属性数据集上,得到模型具有可拓展性的结论。