近年来,计算机视觉领域受到越来越广泛的关注。图像作为人类沟通的重要媒介之一,在现实世界中具有许多重要的应用场景,如图像识别、图像生成、图像翻译等等。其中,图像翻译为该领域的研究热点。类似于语言翻译,图像翻译是指将图像从一个域的特征转换为另一个域的特征。随着近几年深度学习技术的发展,图像翻译领域的研究除了起初的图像风格迁移、黑白照转换、图像超分辨率提高、人脸动漫化以外,还包括图像实例级转换。虽然现有研究已经实现了风格纹理层面和分辨率层面的图像转换,但是由于图像中的物体形状特征难以控制,实例层面的图像翻译仍有许多问题。针对图像中物体实例的转换,需要复杂的处理技术和算法,因此这是一项极具挑战性的任务。为了解决这个任务的难点,本文主要关注基于生成对抗网络的图像到图像的翻译模型,研究其算法并改进模型,提高图像翻译在实例层级上转换的翻译效果。本文的详细研究内容主要分为以下几点:首先,提出一种掩码引导的图像翻译模型,以解决图像中物体形状特征丢失的问题。该生成模型,通过结合图像分割掩码,利用生成对抗网络和循环网络,学习潜在空间中源域的背景、姿态等编码和目标域的形状、风格等编码。生成器学习到的编码特征,在经过上采样解码,分为两条支线分别生成有效的样本原图和样本掩码。生成样本和原始样本都输入到判别器中,判别器辨别其真假。通过对抗,最终生成保留前景中物体形状特征的图像。其次,提出一种基于特征相似性的损失函数,以解决图像前景与背景在转换过程中分界不清晰的问题。该损失函数主要用以约束网络训练过程中数据集中物体姿态、物体占比、形状等特征,从而分离图像中的前景与背景,提高图像实例级的翻译效果。最后,为了验证提出的网络和损失函数的有效性,在MS-COCO数据集上进行实验。对比Cycle GAN和Insta GAN,在Inception Score和Fréchet Inception Score评价指标上均有提高,同时由于现有评价指标的不足及争议性,本文增加了人类偏好评价指标实验,在人类偏好评价上也获得了很大的提升。