图像转换算法是指给定一张图像,经过一定数学方法或者计算机处理生成另一种图像的过程,广泛应用在字体迁移,属性迁移和显著性预测等多个方面。本文主要研究图像转换中人脸局部属性迁移和网页显著性预测任务。人脸局部属性迁移是一种特别关注局部信息的图像转换任务,该任务需要在图像局部属性区域进行转换而保持身份信息不变。网页显著性预测是一种格外关注网页边缘信息的图像转换任务,一般网页图像分辨率比较高并且图像中各个区域相互独立,所以以往一步预测网页显著性的研究效果不佳。生成式对抗网络是深度学习领域重要的研究方向之一,可以有效实现图像转换任务。针对人脸局部属性迁移和网页显著性预测的特点,本文设计了两组结构改进的生成式对抗网络,并验证了模型的有效性。本文的具体工作包括:首先,针对人脸局部属性迁移任务中格外关注局部信息的特点,本文改进生成式对抗网络中的判别器部分,提出双判别对抗网络(DDAN)。模型在原始生成式对抗网络的基础上引入局部属性判别,构成全局和局部两组判别器,二者分别提取图像的全局和局部信息来提高模型分布拟合能力。模型还引入身份信息保持网络来保证属性迁移前后图像的身份信息不变。本文在CelebA数据集上验证了双判别对抗网络在局部属性迁移任务上的有效性,五种局部属性迁移后的图像分类准确率相比现有模型有明显提高。其次,针对网页显著性预测中一步预测效果不佳的特点,本文改进生成式对抗网络中的生成器部分,提出双生成对抗网络(DGAN)。模型通过引入粗糙生成器和精细生成器实现由粗糙到精细的网页显著性预测,将传统的一步实现网页显著性预测变为两步预测过程。模型还引入由拉普拉斯算子提取到的网页边缘信息作为先验知识,提高了模型显著性预测效果。本文在网页数据集FIWI上验证了双生成对抗网络在网页显著性预测任务上的有效性,双生成对抗网络的线性相关系数和标准化扫描路径显著性指标相比现有模型有明显提高。