视频讲解1：Bilibili视频讲解
论文下载：https://arxiv.org/abs/1909.07083
代码下载：https://github.com/mrlibw/ControlGAN
论文GALIP: Generative Adversarial CLIPs for Text-to-Image Synthesis详解（代码详解）
论文Generative Adversarial Text to Image Synthesis详解
论文DF-GAN: ASimple and Effective Baseline for Text-to-Image Synthesis详解
论文StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks详解
论文HDGAN（Photographic Text-to-Image Synthesis with a Hierarchically-nested Adversarial Network）详解
论文AttnGAN: Fine-Grained Text to Image Generation with Attentional Generative Adversarial Networks详解
论文MirrorGAN: Learning Text-to-image Generation by Redescription详解
基于GAN的文生图（DM-GAN:Dynamic MemoryGenerative Adversarial Networks for Text-to-Image Synthesis）
基于监督对比学习的统一图像生成框架（A Framework For Image Synthesis Using Supervised Contrastive Learning）
基于GAN的文生图算法详解（Text to Image Generation with Semantic-Spatial Aware GAN）
本文综述了多项文本生成图像（Text-to-Image）的GAN模型研究，重点分析了现有方法在生成可控性和细粒度控制方面的局限性。针对StackGAN++、AttnGAN等模型存在的生成不可控、属性耦合等问题，提出了一种改进方案：通过引入通道注意力机制和词级判别器，增强语义部位聚焦能力；采用感知损失减少随机性，保持未修改内容的一致性。实验表明，该方法能实现更精准的文本-图像对齐，在修改特定属性时保持其他视觉内容稳定。研究为提升文生图模型的可控性和生成质量提供了新思路。
目录
现有方法的局限性
生成过程不可控：现有文本到图像生成方法（如StackGAN++、AttnGAN）在生成图像后，若对文本描述进行局部修改（如改变颜色或形状），模型会重新生成完全不同的图像，无法保持未修改部分的视觉内容。例如，修改鸟的羽毛颜色时，背景、姿态等无关属性也可能被改变。
**缺乏细粒度属性解耦：**传统方法依赖于全局文本特征，无法将不同视觉属性（如纹理、部位细节）与文本中的特定单词对齐，导致修改文本时难以精准控制对应区域。
判别器反馈不够精细：现有判别器（如文本自适应判别器）使用全局池化层提取图像特征，丢失了空间信息，无法为生成器提供单词与图像子区域之间的细粒度关联反馈。
生成结果随机性高：在没有约束的情况下，模型对文本无关区域（如背景）的生成具有高度随机性，难以保持语义一致性。
提出的方法
词级空间与通道注意力驱动的生成器**：**在AttnGAN多阶段架构基础上，引入通道注意力机制，计算单词与特征图通道之间的相关性，增强对语义部位（如鸟喙、翅膀）的聚焦。结合空间注意力，使生成器能解耦不同视觉属性，仅修改与文本变化相关的区域。
词级判别器**：**通过计算单词与图像子区域的关联矩阵，提供细粒度监督信号，确保每个单词仅影响对应视觉属性。
相比传统方法，保留空间信息，避免全局池化造成的细节丢失.
感知损失的应用**：**首次在可控文本到图像生成中引入VGG网络提取的感知损失，通过匹配真实图像与生成图像的特征空间，减少随机性，保留未修改文本对应的内容.
具体方法
逐通道注意力
词层面的判别器
感知损失
生成和判别损失
实验结果
综合比较
可视化结果
