如何基于给定的输入文本描述生成与之相一致的图像是一个十分具有挑战性的问题。目前的方法大都是首先合成一张初始模糊的图像,然后提炼这张初始图像去生成高质量的图像。然而,现在大多数的方法都很难合成与输入文本描述相一致的初始图像。所以如何在初始图像不好的情况下去合成高质量的图像至关重要。在本篇论文中,为了解决这个问题,基于生成对抗网络（Generative Adversarial Networks）做了以下研究工作:1)提出了“基于多分辨率并行生成对抗网络的文本到图像的生成”的方法,该方法引进了三个模块:多分辨率并行结构、响应门和残差注意力机制。多分辨率并行结构采用多个子分支网络来维持低分辨率特征图的语义信息,进而去构成高级语义特征图。为了充分激发多分辨率并行结构的潜能,该方法还使用响应门去聚合不同的分辨率的高级语义特征图。之前的注意力机制都是在通道维度上将注意力特征图和可视化特征图简单地拼接起来,而为了生成具有更多细粒度细节的图像,该方法也提出了残差注意力模块去微调生成图像的细节信息。2)提出了“带有金字塔对比一致性模型的文本到图像的生成”方法,该方法引进了两个模块:金字塔对比一致性模型和堆叠注意力模型。金字塔对比一致性模型采用具有横向连接的自顶向下的结构在不同的阶段构成高级语义特征图,同时提出对比损失来指导生成器的训练。堆叠注意力模型为了解决之前的注意力机制不好的表现,该方法通过堆叠全局-局部注意力机制来生成具有更多细粒度细节信息的图像。3)将提出的方法在CUB和MS-COCO数据集上做了大量的定量和定性的实验,从而来证明本文中提出的方法的杰出性能。本文的“基于多分辨率并行生成对抗网络的文本到图像的生成”方法在CUB和MS-COCO数据集上分别将IS提高到了4.77和31.10,同时将R-precision提高到了74.84和89.30,而将FID分别降低到了19.25和23.75。本文的“带有金字塔对比一致性模型的文本到图像的生成”方法在CUB和MS-COCO数据集上则分别将IS提高到了4.65和26.52,同时将而将R-precision提高到了70.32和87.44,而将FID分别降低到了22.15和33.59。