文本生成图像,旨在基于自然语言文本,生成与文本语义相符且较为逼真的图像。该任务是一个跨模态的研究问题,涉及到自然语言处理和计算机视觉两个研究领域。文本生成图像可以广泛应用到计算机辅助设计,智能医疗以及新闻图片生成等领域,已经成为当前研究的热点问题。早期的图像生成方法大多基于噪音数据生成图像,无法控制生成图像的内容。随着条件生成对抗网络的提出,当前的文本生成图像方法大多基于条件生成对抗网络,利用文本作为条件向量约束图像的生成。现有的工作对该任务做了许多探索,如基于多模态语料预训练的文本编码方法,层级的图像生成策略以及注意力机制的引入等。但目前的文本生成图像方法仍然存在一些问题。首先,现有的方法大多依赖文本-图像数据对进行训练,而训练数据的获取需要耗费大量的人力物力。这对很多应用领域并不现实,使得当前的文本生成图像方法很难推广到其他领域。其次,现有的文本生成图像方法大多基于端到端的训练方式,只使用了文本与图像的对应关系,而忽略了其他可能利用的属性信息,模型的可解释性较差。本文针对上述两个问题开展研究,主要工作如下:1.提出了一种基于循环生成对抗网络的文本生成图像方法,基于无监督学习训练文本生成图像的模型。当前的文本生成图像方法大多是基于文本-图像数据对进行训练的,而标注数据的获取难度限制了文本生成图像的应用场景。针对该问题,本文借鉴循环重构的思想,提出了跨模态的循环生成对抗网络模型CMCG（Cross Modal Cycle GAN）。CMCG在更大规模的多模态语料中预训练文本嵌入表示,在判别器中使用数据集中的随机图片产生的对抗损失约束生成图像的真实性,在生成器中引入两组循环重构损失对齐文本和图像的语义特征。在CUB和Oxford Flower数据集上的实验结果说明了方法的有效性,生成图像质量取得了较基线模型更好的效果,在图像与文本的一致性上也有较好的习得。2.提出了一种引入细粒度属性信息的文本生成图像方法,利用当前图像生成模型忽略的细粒度属性提高模型的性能。现有的文本生成图像模型大多没有考虑图像本身存在的细粒度的属性信息,然而这些特有的属性信息对图像生成质量的提高至关重要。针对该问题,本文提出了一种融合属性信息的文本生成图像方法AF-GAN（Attribute FusedGAN）。AF-GAN对文本信息,类信息以及细粒度的属性信息分别进行编码并将融合后的信息通过胶囊网络转码为条件向量生成图片。针对之前图像语义评价的不足,本文提出了一种新的度量指标-细粒度属性匹配分数FAMS（Fine-grained Attribute Matching Score）。FAMS用于测量生成图像与对应文本的一致性,也可以直观地体现模型对属性信息的学习能力。在CUB数据集上的实验结果说明引入细粒度属性信息对生成图像质量的提高以及图像语义信息的习得均有较大的帮助,同时模型的可解释性得到了提升。