生成对抗网络(GAN)自2014年提出以来受到各国学者的广泛研究,图像合成是其最成功的应用领域之一。尽管生成对抗网络在图像合成任务中比传统方法更高效,但是它也存在一些不足,例如训练不稳定、合成图像模糊等问题。大量研究人员提出了改进措施,提高GAN在图像合成领域的表现。本文针对基于生成对抗网络的图像合成模型过于庞大、合成图像不真实的问题进行研究,提出一些解决方案。主要工作如下:1.提出隐变量损失生成对抗网络。使用隐变量损失代替基于对偶学习思想的双生成器-判别器网络结构。双生成器-判别器网络结构在很好的保留图像特征的同时,也带来模型过于庞大的问题。我们将一个独立的生成器训练至近似恒等映射,使用其内部编码器的输出特征作为参照,纠正另一与判别器对抗训练的生成器的内部编码器,增强模型对图像的特征提取能力,减少了一个判别网络。2.提出二分生成对抗网络。将两个生成器的编码器部分进行共享,仅当训练目标是恒等映射的生成器时更新编码器,而训练参与对抗的生成器时固定编码器模块,进一步精简了整个模型的网络架构。3.将提出的方法应用到图像合成任务中。在多个数据集的实验结果表明提出的两种算法效果很好。并与多个基准算法对比,合成图片更加真实清晰。4.定量评估提出的算法有效性。该实验采用RMSE、PSNR等衡量标准,考察提出的算法在不同数据集中表现,与基准算法对比,评估算法的性能。