随着计算机和互联网技术的快速发展，图像已经成为了一种主流的信息载
体，因此也催生了一系列对于图像生成和编辑等技术的需求。近年来，基于生成
式对抗网络的图像生成技术取得了长足进步，对艺术图像生成也产生了许多影
响。艺术图像生成旨在把输入的自然图片和指定风格进行融合，生成具有目标风
格纹理但却保留自然图片内容的风格化结果，在影音、娱乐和社交等领域均有广
泛应用。对于艺术图像，每个画家的作品集合自然形成一个域。但由于域数量庞
大，模型训练耗时等原因限制，单独对每个画家域训练生成模型需要消耗较高的
成本，因此单模型的多域生成能力成为了一个研究热点。图像翻译是一种处理该
类跨域图像生成任务的关键技术，它采用统一的生成模型处理图像到图像的生
成任务，在多域艺术图像生成领域中发挥重要作用。
本文聚焦多域条件下的艺术图像生成，提出一个基于对抗学习的风格对齐
模块和两种多域图像翻译框架。考虑在不同的引导条件下风格信息和内容信息
的融合方式，解决了联合条件引导的多域艺术图像生成、多域多模式风格空间构
建以及多引导条件下的多域多模式图像风格化等挑战。本文的贡献包括：
（1）提出一种联合条件引导的多域图像翻译框架。利用画作的一些特有属
性，将画家、年代和流派等属性作为控制变量，对自然图片进行多域风格化。模
型采用了非对称的循环生成架构，基于对抗训练来实现多域的艺术图像生成。
（2）提出基于对抗学习的风格对齐模块。研究在同时支持样例引导和随机采
样引导条件下的风格空间构建问题，使用风格对齐模块代替以往采用相对熵构
建风格空间的方式，缓解了可能出现的模式崩溃现象。
（3）提出一种分布对齐的多域多模式图像翻译框架。通过两个特征提取分支
分别提取风格和内容信息，采用双路对抗架构在风格空间和像素空间分别进行
对抗训练，实现了多引导条件下的多域多模式艺术图像生成能力。