图像生成问题作为机器学习领域的一个重要问题,近年来更是随着生成对抗网络的兴起而吸引了越来越多的研究关注,这种生成式模型除可以直接用作于对某些缺失数据的增补、产生接近真实的数据之外,也可以用于诸如验证模型对于高维概率分布问题表达能力、处理多模输出问题以及用于强化学习等。常规的单模态图像生成任务基于随机噪声或者基础图像的输入,通过条件变量的控制实现朝着一种或者数种固定模式的方向变换,然而借由这种方式训练得到的网络在一定程度上限制了网络本身的生成能力,相比之下,文本信息的引入则可以为网络带来更大的灵活性,通过将语义信息与图像特征进行关联,进而借由文本输入的改变来实现生成图像的变化。较之于传统单模态的图像生成而言,除了对跨模态信息的使用网络构建外,这种跨模态的语义图像生成问题中还存在着如何将文本和图像两种不同模态数据进行相互映射的问题。同时在现有跨模态图像生成中,尤其是文本引导的图像修改任务中还存在着诸如生成图像质量不高、分辨率较低的情况,为此本文针对现有文本引导的图像修改任务相关研究方法中的不足,提出新的解决方案,主要工作和贡献如下:首先,提出了新的渐进式跨模态图像生成网络模型。现有研究方法中对于网络的生成器部分均采用直接将原始图像中提取的视觉特征与语义特征简单拼接后再进行转换的方式实现,而对鉴别器则采取不同的损失函数设计,借以增强两种模型间的对抗训练过程、提升生成模型能力。而随着图像分辨率的提升,这种对抗性的网络训练也将变得更加困难,为此我们考虑采用渐进式的生成方式从低分辨率图像的生成开始,借由提出的联合模块实现在逐级对图像内容进行修改的同时也为其引入更多的原始细节信息。为验证本文中所提出网络模型的效果,我们还在细粒度图像数据集CUB-200-2011上进行对比实验,对所提出网络的有效性进行验证。其次,针对当前条件下图像数据丰富而与图像相匹配的细粒度视觉描述的文本数据紧缺的情况,本文中对所使用的统一跨模态视觉语义嵌入模型结合双线性注意力池化方法进行改进,在增强对细粒度描述的视觉特征与语义特征的映射关系建立的同时减少这一过程中来自于背景图像的干扰,从而使得网络可以在一定程度的小样本条件下仍能正确地根据语义信息实现相应的图像生成效果,此外为了对改进后的模型效果进行验证,本文中还将其与原始方法进行了详细的比较,充分验证了改进后方法的优越性。