计算机视觉中很多任务都可以视为图像到图像的翻译问题,例如水印去除、图像风格化和抽象化。随着生成对抗网络在图像生成上取得的成果,生成对抗网络也广泛的使用在图像到图像的翻译任务中。图像到图像的翻译任务常常需要有便签的成对数据。借助域级别的监督和重建过程,实现了无成对数据的图像翻译。为了解决现有的无成对数据的图像翻译模型生成图像质量差,一种可行思路是:通过质量感知损失函数,对生成图像的质量进行评估,从而引导模型生成高质量的图像。基于这一思路,本文提出两种解决方案,概述如下:在第二章中,本研究工作提出了一种基于深度网络的自适应质量感知损失。相关工作表明利用基于高层次深度特征的感知损失函数可以提高生成的图像质量。然而,因为这些基于生成对抗模型的方法依赖于预训练模型或有便签的成对数据,所以不能直接应用于无成对数据的图像翻译任务。为此,本文提出的质量感知损失使用模型本身的生成器所提取的特征,比较原始图像与其重建图像之间的高层次特征相似性来提升生成图像质量。通过在四个常用数据集上的实验,验证了本文提出的模型能够有效提高生成图像质量。在第三章中,本研究工作提出了一种基于传统的图像质量评估的质量感知损失。在无成对数据的图像翻译任务中,很少有工作研究通过传统的图像质量评价方法来提高生成图像质量的可能性。基于传统的图像质量评价方法,本文提出一种质量感知损失来确保原始图像和重建图像在域级别的上质量分数相似。在四个常用数据集的实验结果都表明:本文提出的模型能够有效提高生成图像质量。最后,通过实验和分析展示了本研究工作中提出两个模型的优缺点。