图像转换是计算机视觉及计算机图形学的重要分支,其将图像的某一种或多种属性转换为另一种或多种属性,如夜间拍摄的暗图转换为白天拍摄的亮图,冬日风景图转换为夏日风景图,破损老照片转换为完好老照片等等。通过图像转换,可以实现如图像编辑、特效生成、老照片修复、域自适应等等应用。近年来,基于生成对抗网络的图像转换取得了巨大的进步。然而,此技术仍然存在复杂场景图像转换质量不高,转换可控性弱,成对数据依赖严重等问题。为了提升图像转换的实际应用能力,本文从图像转换质量、图像转换可控性、少成对样本图像转换和图像转换应用——域自适应等方面开展研究。本文的主要创新点及贡献有以下三个方面:在图像转换质量和图像转换的可控性方面,本文提出使用样例图像来对图像转换提供指导。通过学习跨域一一对应关系,本文能让网络理解图像中不同物体的语义,并根据样例图像中不同物体的风格,来生成对应风格的物体。为了在没有对应关系标注的情况下学习到跨域对应关系,本文提出了将其与图像转换一起训练,以弱监督的方法来学习跨域对应关系。利用学习到跨域对应关系,本文提出了一种通用的基于样例的图像转换方法,此方法是第一个能做到利用样例图像,在物体级别精细地控制生成图片风格的方法。同时实验结果证明了这种对应关系及基于样例的图像转换能够极大地提高图像转换的可控性和转换质量,并且能够应用到大量的任务中,如图像编辑,妆容迁移等。在少成对样本图像转换方面,本文研究了在有监督训练条件下如何提升图像转换的质量,尤其是在成对数据有限条件下的图像转换质量,并探究了利用大量的无监督数据来帮助有监督成对数据的训练,提出了基于隐空间映射的图像转换方法,实验证明了隐空间映射比图像空间映射有更高的成对数据利用率,在少量有监督数据的情形下,隐空间映射方法的性能提升更加的明显。除了通用的隐空间映射框架,本文还针对真实老照片修复任务,设计了三域转换方法和用于修复结构性退化的部分非局部单元,结合局部分支,整个框架能够修复具有多种混合模式退化的真实老照片。在图像转换应用——域自适应方面,本文提出了 一种基于图像转换机制的域自适应分割方法,利用伪标签来辅助图像转换,并提出了基于原型的伪标签去噪算法,通过利用特征和原型的相对距离信息来实时地更正错误的伪标签。进一步地,本文通过强弱数据增广来学习紧凑的目标域特征空间,以辅助伪标签更正,进一步地提升了无监督域自适应分割的性能。实验证明了本文方法从GTA5[1]和SYNTHIA[2]泛化到Cityscapes[3]的分割指标mIoU分别达到57.5和55.5。自适应的收益在之前最优算法的基础上分别提升了 52.6%和58.5%。