近年来,以深度学习为代表的人工智能迅速发展,在很多领域上都取得了巨大的突破。深度学习依赖于大数据以及运算能力的提高,通过网络模型中大量参数来拟合所要解决问题的函数。在图像领域,随着问题复杂化的提高,深度学习对于数据以及运算能力的需求更加严苛,在处理器运算能力难以有巨大突破的前提下,数据集的质量和数量成为图像领域深度学习发展急需解决的问题,而图像生成是解决此问题的有效手段。图像生成一般分为街景生成和人脸生成,本文对深度学习图像生成任务的难点做了细致分析。对于街景生成,现有生成模型受卷积核感受野的影响,难以获取长距离依赖。在另一方面,生成模型可解释性差,传统模型都是在总的参数空间上拟合问题函数,对于生成模型中每一层网络的作用难以分析,导致生成网络变得越来越深。对于人脸生成,传统的工作集中在无条件人脸生成以及脸部语义标签引导下的条件人脸生成,无条件人脸生成难以控制生成人脸的形状,而语义标签引导下的条件人脸生成,由于脸部语义标签难以标记,导致无法大规模进行人脸生成。为解决以上三个问题,本文围绕语义标签引导下高清图像生成进行研究,主要工作包括:(1)设计了具有区域间注意力机制的街景生成模型。针对难以获得长距离依赖的问题,受自然语言处理的启发,本文将图像分部分生成,并在每一部分的前后添加自注意力机制,这样可以获取空间上的依赖性,增加不同区域内同一类别间的响应和一致性。在获得长距离依赖的同时,部分生成也保留了区域间的独立性,防止图像生成因过于耦合而出现的图像不清晰现象。(2)设计了基于条件可预测参数的街景生成模型。针对生成模型难以分析模型中每一层作用的问题,本文探究了对街景图片进行功能生成的可能性。本文将不同的卷积核看作不同的“画笔”,为了对画笔进行预测,本文设计了不同的预测网络,在不同的小的参数空间中预测相应的卷积层卷积核参数,并且将辨别器下采样过程看作是解码阶段的逆过程,加之相对应的损失模块,使得解码阶段的卷积核具有特定的功能。(3)设计了基于mask引导下的人脸高清生成模型。本文在无条件人脸生成以及脸部语义标签人脸生成之外,设计实现了由mask引导下的条件人脸生成。本模型可以将一张mask分割图作为输入,生成具有相应前背景分割的高清人脸。本文将人脸中的鼻子、眼睛、头发看作是风格生成中的细致风格,通过映射网络对输入的风格噪音进行解耦和,并在模型64×64的尺度上进行风格注入,从而实现了基于mask引导的人脸高清生成。除此之外,本文基于mask图具有的边缘分割不清晰的缺陷,受图像抠图领域的启发,设计出基于matting引导下的人脸高清生成模型,生成的图像在边缘部分更加清晰。相较于传统的生成模型,本文设计实现的具有区域间注意力机制的街景生成模型生成效果,在1024×512尺度上略优于现有最好的街景生成模型,设计的基于条件可预测参数的街景生成模型,在512×256尺寸上实现高清街景生成并优于现有模型,设计的mask引导下的人脸高清生成模型可以精确、清晰地生成人脸。