深度学习以深度神经网络为基础,寻求并建立数据和任务间的映射关系,在计算机视觉、自然语言处理以及智能机器人等任务中得到了高度关注和广泛应用。然而,尽管深度学习在诸多领域内取得了重大成功,但随着网络深度与网络结构复杂度的增加,为了保持网络的泛化能力和避免网络的过拟合,深度网络的学习与训练需要大量的标注数据。这意味着一方面需要获取大量的数据,另一方面需要耗费大量的人力物力进行数据的标注,这无疑大为增加了深度学习的难度,并在一定程度上限制了其应用。鉴此,本文就深度学习所需数据的生成技术进行研究。生成式对抗网络有强大的理论优势和广阔的发展前景,对于随机输入的数据,生成式对抗网络有着生成多样化数据样本的能力。在深度学习应用场景中,往往需要大量的标注数据,因此研究者希望生成模型可以按照场景要求生成既满足条件又具备多样性的数据样本;除此外,研究者也希望生成模型生成的数据样本具有较高的分辨率。针对这些问题本文做了以下工作:基于大量的文献阅读以及模型实验验证,结合目前图像生成领域模型的优点,确定了基于独立学习规则的生成模型结构。主要思路如下:第一,融合残差网络和自编码器(Auto encoder)形成新的GAN模型;第二,引入独立学习规则,判别模型和生成模型按照相同的比例训练,分别给两者设置不同的学习率;第三,在不同层之间添加跳跃连接,特征信息可以直接跨层传输,加强特征传输。由此可以训练出具有鲁棒性的神经网络模型,在多个数据集上实验验证表明,模型能生成平滑、逼真的图像。进一步地,为了能生成更高分辨率的图像,减少特征与特征之间的纠缠,提高模型在现实场景中的可应用性,确定了基于自注意机制和样式生成器的动态生成模型。主要思路如下:第一,在判别模型上添加自注意模块获得图像全局信息,生成模型中的映射网络和风格模块在不同分辨率下控制生成图像的风格;第二,基于家居场景制作新数据集,并在此数据集上验证了模型生成图像的功能,在现实场景获得的数据集上具有可复制性。模型在多个经典数据集和非经典数据集(制作的家居场景数据集)实验验证表明,模型拥有更好的插值属性实现无监督地生成高分辨率图像。同样,基于非经典数据集实验表明,模型具备无限生成样本的能力,少量训练样本也能在训练过程中生成大量多样化且真实的图像。