提出了一种利用循环生成对抗网络实现由大视场、低分辨率染色图像生成与之相匹配的高分辨率虚拟染色图像的方法，在完成了对细胞虚拟染色的同时，解决了传统光学显微镜的大视场与高分辨率两个目标无法同时满足的问题。首先，进行了理论验证，通过对选定图像的分辨率分级缩放模拟实际分辨率变化，训练对应的算法模型并与真实图像相比较，结果在主观与客观上均符合设想预期。在完成理论验证的基础上，分别进行了由10倍、4倍低分辨率真实染色图像生成25倍高分辨率虚拟染色图像的实验。通过主观视觉与客观评价指标进行评价，得到结构相似性、峰值信噪比和归一化均方根误差三个指标的具体数据。结果显示，通过循环生成对抗网络生成的虚拟染色图像与真实染色图像间的相似度较高，虚拟生成效果很好。

现有残缺文字图像的修复需要确定Mask区域后对其填补，如果文字残缺部分剩余信息量过于稀疏，将无法确定Mask区域。针对该问题，提出了一种基于内容风格迁移的残缺稀疏文字图像盲修复方法。利用循环生成对抗网络构建修复前后文字图像间的全局关联像素信息，将残缺文字的图像内容风格特征迁移为完整文字图像从而进行修复；并在网络中加入自注意力机制对稀疏像素进行全局约束，解决迁移过程中相隔较远文字稀疏像素之间依赖关系较弱的问题；同时在自注意力机制中使用最大池化，提高迁移修复后的文字图像纹理特征；使用最小二乘损失替换原网络模型中的sigmoid交叉熵损失函数，提高迁移精度。实验结果表明，所提方法不借助Mask指导，能够盲修复稀疏性残缺文字图像中的随机未知缺失区域。

红外警戒系统、红外成像制导导弹等**装备在进行性能评估和模拟训练过程中都需要大量红外仿真图像，但目前红外仿真软件普遍存在生成红外仿真图像逼真度差、软件普适性不好等问题，且国外技术封锁造成我国红外仿真软件发展缓慢。因此，针对国内可见光图像仿真技术日趋成熟的现状，为提高红外仿真图像质量，本文提出了一种采用循环生成对抗网络、由可见光图像生成红外仿真图像的方法，并通过实验验证该算法是有效可行的。该算法首先通过区域生长算法从采集的可见光图像中提取水上目标，建立了水上目标可见光图像生成红外图像的训练数据集；然后利用训练好的网络生成红外仿真图像。测试实验表明，采用这种方法所生成的水上目标红外仿真图像视觉效果接近真实红外图像，可实际应用于海军红外**装备模拟试验和训练系统。

将遥感图像进行像素级海陆分割是海岸线提取的一项基础性工作。由于海岸线的动态变化，获取精准的海岸线标记数据集比较困难，为此采用Google Aerial photo-Maps配对样本，在对Google Maps进行海陆二值化处理后构建了新的配对数据集。针对新数据集样本较少问题，在循环生成对抗网络（CycleGAN）模型的基础上，提出了基于双重注意力机制的DAM-CycleGAN。新模型全面考虑遥感图像和海陆二值化图像之间的结构相似性，改进了循环一致性损失，并设计通道注意力模块和空间注意力模块来凸显显著性特征和区域，以增强模型在小样本训练下的特征学习能力。在均方误差、平均像素精度和平均交并比（MIoU）三个评价指标上，与全卷积神经网络模型、DeepLab模型在多个规模数据集训练下的实验结果对比，改进模型转换的海陆二值化图像与真值图像更加吻合，MIoU值分别至少提高7%、6%以上，验证了所提方法的有效性和可行性。

近几年在图像去雾领域中基于深度学习的方法层出不穷，利用循环生成对抗网络（CycleGAN）设计图像去雾算法。在CycleGAN中，通过对生成器进行改进来达到预期的处理效果。在生成器的编码网络和解码网络中选用Leaky ReLU和tanh两种激活函数，并对转换网络的残差块进行减少数量处理和加权优化处理。本设计能够更好地展示单幅有雾图像的清晰度和细节方面，峰值信噪比、结构相似性及信息熵等客观评价指标都得到了提升。

卫星图像翻译是生成对抗网络的重要应用场景之一，现有的卫星图像翻译存在生成质量低、泛化能力弱、计算代价高等问题。在循环生成对抗网络的基础上，通过设计轻量化的注意力残差模块来提高图像翻译质量、减小模型的参数计算量，同时引入最小二乘损失来提高训练过程的稳定性。实验结果表明，所提方法在保持高训练稳定性、低模型计算量的前提下，在卫星图像翻译任务中具有较好的翻译质量。

对于传统的显微镜来说,其相衬成像模式需要通过配备专用光阑、聚光镜或者在物镜上添加嵌件来实现,这就增加了相衬显微成像的难度和成本。鉴于此,本文提出了一种基于深度学习算法的虚拟相衬成像方法,只需要采用一台普通的光学明场显微镜获取细胞明场图像,然后使用深度学习方法,就可以将明场图像转换成相衬图像。将虚拟相衬图像与显微镜获取的标准相衬图像进行对比,对比结果证明了这种虚拟相衬成像方法的有效性,为低成本相衬显微成像提供了范例。

在无人车夜视红外视频彩色化问题中, 考虑到可同时利用单帧图像的信息和视频的帧间信息, 提出了一种双通道循环生成对抗网络（DcCCAN）对夜视红外视频进行彩色化。DcCCAN是在循环一致生成对抗网络（CCAN）的基础上提出的双通道生成网络。双通道生成网络具有良好的图像特征提取能力, 能够自动提取视频中待处理图像的特征, 同时提取先前模型所生成图像的特征, 然后将特征信息整合后生成一幅目标图像。通过在生成对抗性训练中引入循环一致性训练机制, 可无监督地学习得到红外域图像到彩色域图像的映射关系, 从而实现红外视频的彩色化。实验表明该方法能够为视频中的红外图像赋予自然的色彩信息和纹理信息, 且满足实时性要求。