图像生成是图像处理领域中的一个重要研究方向。图像生成技术应用领域广,算法设计复杂,传统的图像处理方法已经不能满足实际应用要求。当前已有大量的研究人员针对不同场景或者特殊要求开展了基于深度学习的图像生成算法研究。已有的图像生成方法有一定的通用性。这些通用方法可以处理多类别的图像处理问题,例如,由随机噪声生成指定图像或者是图像翻译。然而,这些通用方法在特定场景中较难达到令人满意的效果,例如一致性图像生成、序列图像生成等应用。已有的通用图像生成技术还存在生成图像的细节不够丰富等问题。因此针对不同类别的应用场景,开展图像生成算法研究是有现实意义的,可提高特定场景的图像生成质量,提高生成效率。本文基于生成对抗网络,针对三个图像生成问题开展研究,提出了三种高效的图像生成算法,并应用于三个不同的场景。·首先,我们探究了一致性图像生成问题,针对图像生成中颜色一致性着色的问题,提出了基于生成对抗网络的方法来实现线稿图像的高质量着色。我们通过构建损失函数使得某一类线稿图像能够被涂以一致性的颜色,进而生成一致性的图像。我们使用了漫画、游戏等领域的线稿验证了我们的方法有效性,并且通过各个角度的分析,总结了我们方法的优点和不足。·其次,我们研究了图像生成中的序列图像生成问题,探索了生成对抗网络中隐编码的作用,并将探索结果应用于时空序列图像的编码。我们发现隐编码可以实现序列图像的快速编码,提高序列图像网络传输的效率,进而提高用户分析时空图像数据时的体验。我们也探讨了利用序列图像生成技术来分析序列图像的变化,并尝试对缺失数据进行补全。·最后,我们探索了细节感知对图像生成质量的影响。我们以中国国画图像生成为例,将注意力机制,即Transformer结构引入到生成网络中,生成了高质量中国国画图像。通过对参数的调整以及结果的分析,我们总结了注意力机制对图像生成效果的影响。