文本生成图像是一项能够将一段描述性的文字转化成图像的技术,这不仅要求计算机理解文本所表达的语义信息,还要根据语义信息转化成与之匹配的图像信息,这是一个非常具挑战性的任务。但是近几年来,随着生成对抗网络的迅猛发展,其强大的无监督样本生成能力迅速获得研究者的青睐,其独特的对抗思想比传统机器学习算法具有更加强大的特征学习和特征表达能力,使得生成对抗网络被广泛应用于自然语言领域和视觉领域等其他各种领域,这些都为文本生成图像这一任务的实现提供了基础。为了进一步提升文本生成图像的质量,本文在现有文本生成图像模型Stack GAN-v2的基础上进行改进,本文的创新点如下:(1)针对传统的生成对抗网络中受卷积运算的局部感受野限制,模型不能很好的处理长范围、多层次的依赖关系,提出了结合自注意力机制的堆叠式生成对抗网络,让模型能够使用所有位置的细节线索来协调各个位置的细节特征,同时在生成器中引入特征重构损失来保证生成样本和真实样本语义上的相似性,最后针对原网络模型的训练不稳定问题,在判别器中引入谱归一化,通过限制判别器每一层网络的权重矩阵的谱范数来约束判别器的利普希茨常数,从而提高模型的稳定性。(2)针对原模型生成的高分辨图像缺乏细粒度细节问题,提出了结合类别多目标损失堆叠式生成对抗网络。在原模型中引入图像类别损失,让模型能够自动学习同类图像所具有的相似特征,在一定程度上能够弥补一些难以捕获的高分辨率图像的特征信息,并对原模型的无条件损失判别器进行改进,让输入为低分辨率图像分支的判别器关注图像的全局结构,而输入为高分辨率图像分支的判别器则关注图像的局部的细节,同时为了防止最后生成的高分辨率图像出现全局变形问题,在生成器中引入像素损失。