漫画创作可分为三个步骤:草图、线稿、上色。漫画家从草图绘制出线稿的过程叫做“线稿简化”。线稿清晰地勾勒出了漫画中的各种组成元素,如人物、动物等等,是理解漫画语义的关键。线稿的质量对于漫画最后呈现出的效果有至关重要的作用。但漫画绘制周期长、所有工作几乎都只能人工完成,往往需要多位漫画专业人士共同协作,从而花费大量的时间和精力。目前已经有一些关于线稿简化的研究,利用算法代替漫画家自动完成从草图到线稿的简化过程,传统方法通常使用多种边缘检测算子或基于规则和阈值识别线条与笔画,近年来生成对抗网络的应用越来越多,GAN作为一种生成模型在图像翻译领域取得了不错的成果,所以本文主要研究基于生成对抗网络的线稿简化算法。本文首先详细介绍了有关线稿简化任务的基本概念,然后从多个图片网站上收集了大量的漫画草图和线稿,并用“线稿反处理”增加了对齐数据的数量,最后构建出的训练集包含对齐数据和单独线稿两种数据,共有19228个草图线稿样本,本文还构建了一个由129组对齐的草图-线稿对组成的测试集。然后本文提出了一种新评价标准,结合定量指标和人为观察两种方法综合评价生成线稿的质量。最后在训练集上构建了基于多类数据的线稿简化模型,先用单类数据训练两个基线模型pix2pix和Cycle GAN,实验结果证明了对齐数据的重要性和优越性;之后以基线模型为基础,在经过用VGG网络重建内容损失、判别器使用Patch GAN等改进后同时用两类或三类图片训练基于多类数据的线稿简化模型。通过实验对比不同模型的定量指标和分析测试集上的生成线稿效果,我们发现基于对齐数据和单独线稿训练的模型简化效果最好、生成线稿质量最高,并且该模型对上色后的漫画成稿也能生成高质量的线稿。