图像属性转换是一项新兴的图像处理技术,其任务是根据使用者需求,对图像中的一种或多种属性进行相应转换,同时保证生成图像的高质量、真实度和多样性。图像属性转换技术的应用十分广泛,涉及电影制片、照片编辑、电子商务等众多行业,也因此成为了当今计算机视觉领域的热门研究课题。早些年间,图像属性转换的主要形式为神经风格迁移,依靠卷积神经网络进行学习。由于传统卷积神经网络需要设立明确的训练目标,所以无法适用于其他的图像属性转换任务。后来,随着生成对抗网络的日趋成熟和不断发展,越来越多的图像属性转换任务得以解决,其中包括图像转化、人脸属性迁移、人物服饰转换等。尽管现有的图像属性转换技术已经取得了不错的效果,但是在生成质量上仍有着较大的提升空间。因此,本文在最具应用前景的人脸属性迁移和人物服饰转换两项任务上进行探索,提出了基于多尺度特征融合的人脸属性迁移方法以及基于融合注意力机制的人物服饰转换方法。现有的人脸属性迁移方法大多采用L1范数作为重建损失函数,一方面导致了图像的整体模糊,另一方面限制了网络的推断能力。此外,传统的单尺度卷积生成器已经不足以提供充分的上下文信息,来迎合细粒度生成的需求。针对这些问题,我们引入了多尺度结构相似度指数（MS-SSIM）作为循环一致损失函数来重建图像。不同于L1范数,MS-SSIM衡量图像整体结构的相似程度,而非强制每个像素都接近,这种方式不仅可以避免图像的整体平滑,而且更符合人眼视觉系统的特点。此外,MS-SSIM还放宽了循环一致约束,从而赋予网络更大的自由度以进行合理的推断和想象。为了提高生成质量,我们还开发了基于空洞卷积的多尺度特征融合模块,并将其结合到生成器中。多尺度特征融合模块是一种非常有效的全局上下文先验来混合多尺度特征,从而极大地促进细粒度的纹理和颜色生成。不仅如此,多尺度特征融合模块以不增加额外计算量和参数量的方式,扩大了网络的感受野,所以是一种相当高效的特征学习方法。针对现有人物服饰转换技术难以捕捉长距离相关性、无法充分利用语义信息等问题,我们采用了由粗到细的两级生成对抗网络结构,并且在第二级网络中融合了软注意力、自注意力和风格化注意力三种机制。软注意力层强化了生成图像与语句的关联性,使得特征图上的每个位置都可以寻找到句子中最相关的单词,从而有效地促进细粒度的文字到图像合成。自注意力层则弥补了传统卷积网络的局部性,能够显式地捕捉图像上的远距离相关性,不仅为细粒度生成提供了支持,还加强了图像整体的协调性和一致性。风格化注意力层通过逐通道内积和特征图再校准,来建立特征之间的依赖关系,从而有效促进纹理生成和精细上色,提高网络进行合理推断和想象的能力。在实验阶段,我们选择了弗雷歇距离（FID）作为质量评估指标,并通过定量实验验证了本文提出方法的有效性。另外,我们还进行了多项定性对比实验和用户调研,更直观地展示我们生成结果的高质量,从而有力证明本文提出的方法已经超越目前的最先进方法。