图像转换技术在生活中有重要的应用价值,若能在移动应用中使用面部表情转换功能,将为用户提供更加便捷的体验。随着深度学习的发展,生成对抗网络广泛应用于图像处理领域。但是传统的生成对抗网络在图像转换的研究中仍然存在训练过程不稳定和训练集图像不成对等问题,这在一定程度上限制了图像转换技术的发展。针对这些问题,本文设计了一种基于循环生成对抗网络的图像转换机制,并在移动设备中实现,主要工作概括如下:1.针对面部表情由非笑脸到笑脸的图像转换任务,本文采用循环生成对抗网络算法。该算法保证生成图像与原图像共享无关特征,使生成图像更加真实;通过结合循环一致性损失与图像转换中的对抗性损失的方式来加速收敛,提高训练效率。生成对抗网络全局训练会影响到图像无需改变部分,本文通过生成掩模控制模型对无关区域的影响。2.针对复杂深度学习框架向移动端的移植,本文提出把模型封装成API的方法,避免了原生模型直接嵌入移动端带来的不适配问题。基于B/S模式,在PC服务器端使用PyTorch结合GPU加速机制搭建了循环生成对抗网络模型,并用Flask框架配合Bootstrap框架实现前端到后端的数据传输。最后用WebView中的Apache Cordova方法把整个项目封装成Android应用程序。结果表明循环生成对抗网络在面部表情转换应用中有良好的表现。同时,该机制能方便移植到移动端,应用运行速度快内存占用小,可见这是一种优良可行且具有广泛的应用前景的开发方案。