侯璎真，翟俊海，2，申瑞彩

1(河北大学 数学与信息科学学院，河北 保定 071002) 2(河北大学 河北省机器学习与计算智能重点实验室，河北 保定 071002) E-mail:mczjh@126.com

1 引 言

图像生成是深度学习研究的一个重要领域，主流的生成技术是生成对抗网络[1]和变分自编码器[2].Goodfellow等提出的生成对抗网络(GAN，Generative Adversarial Network)是一种隐式概率生成模型，GAN由生成器网络和判别器网络构成，通过这两个网络的对抗学习，实现用生成器网络逼近图像的分布，通过抽样可生成似真的图像.Radford等人[3]用卷积神经网络实现生成器和判别器，提出了DCGAN(Deep Convolutional GAN)，DCGAN用深度卷积神经网络以无监督的方式学习图像的特征，进而生成高质量的图像.Yi[4]等人提出的DualGAN在原始的GAN模型基础上开发了一种新型的双重GAN机制，使图像翻译器可以从两个领域的两组未标记图像中进行训练.在DualGAN中，原始GAN学习将域U中的图像翻译成域V中的图像，而双GAN学习将任务反转.原始任务和双任务所做的闭环允许来自任一域的图像被翻译，然后重建.康云云等人[5]提出一种基于改进生成对抗网络的法律文本生成模型ED-GAN，该模型将案情要素的关键词序列编码成隐含层向量，并结合各时间步的输出生成文本序列，最后采用CNN网络来鉴别真假文本的差距，该模型的出现为法律文本的自动生成提供了新思路.Karras等人[6]提出了一种称为StyleGAN的生成对抗网络，他们将风格迁移至生成器网络中，StyleGAN生成的人脸图像能够自动地进行姿势和风格转换.在StyleGAN的基础上，Abdal等人[7]提出一种称为Image2StyleGAN的……