人像内容生成是指包含人脸与人体图像在内的数字内容生成技术，在社交娱乐、影视制作、虚拟现实、隐私安全等诸多领域中具有广泛的应用前景。随着深度学习尤其是深度生成式模型的进步，人像内容生成技术高速发展，但仍存在着许多难点与挑战。例如，由于完备的人像数据集构建成本高，导致一些人像生成任务所使用的监督数据受限；其次，受制于人脸与人体两类图像的类型与结构差异，单一的生成模型在人脸图像生成和人体图像生成任务中的通用性较差；另外，在高质量人像生成任务中，同时实现精细化语义控制的人像生成难度较高。为此，本文在人体姿态迁移、人脸表情翻译、人脸与人体图像翻译和3D人脸生成等几个具体的人像内容生成任务中，针对监督数据受限、模型通用性局限和控制精度有限这三个技术难点，利用生成模型多层次解耦的方法展开研究工作，主要贡献如下：

1. 针对监督数据受限的人体姿态迁移任务，本文提出一种空间层次下姿态表观解耦的人体图像姿态迁移方法。该方法能够完整的解耦出人体图像中的表观信息，并防止任何姿态信息泄漏到输出端，使得网络能够在监督数据受限（无配对人体图像）下实现自监督训练。首先，在空间层次上将人体图像分解为独立的肢体组件，以实现人体图像粗解耦。然后，使用一个表观编码器学习每个人体组件的多尺度潜在特征，并用另一个姿态编码器从预先提取出的人体姿态图中学习潜在姿态特征。最后，通过生成器将两个编码器中学到的特征进行融合来重建人体图像。在此过程中提出了一种多级特征统计量迁移网络，从表观编码器的多尺度潜在特征中解耦出人体各个组件的表观信息，并且阻止任何姿态信息从表观编码器中泄露出来，进而保证该模型能够在无配对人体图像的条件下通过自监督重建来学习人体姿态迁移。本方法的性能超越同类型方法，甚至与完备数据监督下的方法相媲美。此外，在开放数据集上的测试结果展示出本方法的良好泛化性。

2. 针对监督数据受限的人脸表情翻译任务，本文提出一种物理层次下几何纹理解耦的人脸表情翻译方法。该方法能够从人脸图像中解耦出3D几何形状，并将人脸表情信息注入其中构建出一种新的人脸表情表征方法，使得在监督数据受限（无配对人脸图像）下也能训练出高性能的人脸表情翻译模型。首先，引入预训练人脸捕捉模型来提取人脸的表情特征和表情无关特征，然后将参考人脸的表情特征与输入人脸进行替换，并渲染出具有参考人脸表情特征的输入人脸3D几何。这是一种新颖的人脸表情表征方法可用于引导人脸表情生成。其次，设计了一种多级特征对齐Transformer网络，从参考人脸图像中提取出细节特征，再与3D几何对齐后输入到生成器网络中帮助合成精细人脸表情。此外，提出一个预训练的去表情模型来构建伪配对数据，以辅助无配对人脸图像条件下的人脸表情翻译模型训练。充足的定性与定量对比实验以及视频数据测试实验证明了本方法的优越性。

3. 针对通用性局限的人脸与人体图像翻译任务，本文提出一种特征层次下跨域信息解耦与融合的通用图像翻译框架。该方法能够将不同图像域信息映射到统一的特征空间，并合并为一个整体，然后学习该整体特征的信息解耦与融合，以实现通用且鲁棒的特征学习和图像翻译。首先，将输入图像和条件图像编码到统一的特征空间中，以适应人脸或人体等不同类型的图像及其条件图像。然后，将两个编码特征拼接成一个整体，并提出跨域特征融合Transformer网络学习该整体特征。在这个过程中，网络可以同时学习到各图像域内以及域间的特征对应关系，从中解耦出有用信息并有机地融合。此外，该网络内提出一种Hiformer结构，能将整体特征递归式的分解为多个局部特征，学习各局部特征内的相互作用，再融合局部特征得到用于图像翻译的目标特征。最后，空间自适应生成器以条件图像和该目标特征为输入生成最终的图像翻译结果。本方法在5个不同类型的图像数据集上进行了大量实验，包括人脸和人体图像数据集。实验结果验证了该方法的高性能和强通用性。

4. 针对控制精度有限的3D人脸生成任务，本文提出一种模型层次下神经辐射场解耦的3D人脸生成方法。该方法能够将原本建模完整人脸的神经辐射场网络显式地解耦成多个子网络，并令每个子网络单独学习建模3D人脸的一个语义区域，进而实现对3D人脸独立且精细的语义生成与控制。首先，提出一种组合式神经辐射场，其由多个局部语义3D生成器组成。每个生成器学习一个子神经辐射场，并输出一个3D人脸语义区域的3D特征值、3D颜色值、3D掩膜值和残差SDF表示。然后，通过基于3D掩膜的语义融合以及体积聚合来渲染出完整2D人脸图像和2D特征。接着，提出一个高分辨率2D生成器将得到的2D特征进行超分辨率，以生成高清人脸图像。此外，提出两种鉴别器网络，全局级鉴别器和语义级鉴别器，分别用于约束生成人脸的3D一致性和局部语义解耦准确性。本方法在常用人脸数据集和自建的卡通人脸数据集上进行了充足的实验，验证了该方法的有效性和应用潜力。