图像生成是通过计算机算法去学习源图像与目标图像的映射关系,该技术是计算机视觉中图像内容生成领域的一个重要研究方向。视频作为视觉传输的一个重要载体,它比图片蕴含着更加丰富的信息,所以视频生成问题逐渐成为研究的热点。另一方面,随着近几年生成对抗网络的飞速发展,与其他深度学习方法相比较,生成对抗网络在图像内容生成方面的研究显然更加具有优势。因此,本文将采用生成对抗网络技术来解决图像生成领域中的视频生成问题,并进行算法研究最后将此技术应用到实际项目中,本文在学术和应用领域上都具有非常重要的价值和意义。在实际应用中,视频的生成方式各有不同。通过输入的静态图像和做一系列标准动作的目标对象视频,实现将视频中的动作序列迁移到图像对象上是视频生成中的一个重要思路。但目前实现相关功能的模型大多是针对特定领域设计的,例如人体姿态的视频生成,且这些方法的相关性能还有待提高。因此本文提出了一种基于生成对抗网络的视频生成模型,不同于其他的视频生成模型,本文的模型不针对特定的研究对象且能生成高质量的视频。本文采用无监督的关键点检测模块,通过光流估计进行运动信息的提取,并通过生成对抗模型生成逼真的视频图像。同时,利用PyTorch深度学习框架来构建视频生成算法模型,利用Django框架来搭建系统的图形界面,最终实现目标对象的视频生成系统应用程序。本文的所有数据均来自已经公开的数据集。对本文的方法进行评估时,采用将运动信息和内容信息分开评估的策略。采用关键点平均距离D_kp和SSIM、FID两种标准图片质量评估指标来进行评估。最后综合实验结果对比分析,本文提出的视频生成模型能够很好地保持对象的身份信息,同时产生逼真的视觉效果,产生的背景图在时间和空间上都是连续一致的。本文构建的基于生成对抗网络的视频生成模型的性能优于已有的视频生成模型。