文本生成图像问题是图像生成方向的一个重要分支,给定一个文本描述,可以生成符合文本描述的图像。文本生成图像的方法主要是基于生成对抗网络的,目前的一些方法经常出现模式崩塌问题,生成的结果缺乏多样性。本文为了提高生成图像的质量做了以下工作:首先,为了解决训练过程比较自由缺乏约束的问题,本文提出了语义分类器生成对抗网络。将文本预处理后得到文本向量,与随机噪声连接在一起输入到生成器中,通过卷积层生成图像。然后将图像输入到判别器中,对其进行真假的判断。判别器中添加语义分类器,对文本和图像的语义一致性进行判断。语义分类器结构使判别器中增加额外的监督任务,使生成器生成的样本多样化,减轻模式崩塌的问题。其次,针对生成样本缺乏多样性的问题,本文引入了行列式点过程对样本中的多样性进行建模。行列式点过程生成对抗网络模型由三个生成器和三个判别器组成,生成器依次生成不同分辨率的图像。网络中引入行列式点过程矩阵,使生成器生成与真实样本相似的具有多样性的样本,从而提高了生成图像的质量。最后,针对生成图像质量低、训练过程复杂的问题,本文提出层级倒置残差生成对抗网络,采用端到端的训练方式,克服了分阶段训练使训练过程复杂的缺点。该网络模型由一个生成器和三个判别器组成,生成器中引入倒置残差网络,可以保留更多的特征信息,使生成图像的清晰度明显提升,图像包含更多的细节。生成器中分为三个层级,通过线性压缩层得到三个由低到高的分辨率的图像,该模型训练过程简单并且生成图像的质量明显提高。