也许像 GAN 这样的东西会起作用。它可以使用一些基本图片并更改上下文，添加一些相反的属性。有一个生成对抗风格转移网络的例子来澄清我的意思http://openaccess.thecvf.com/content_cvpr_2018_workshops/papers/w41/Palsson_Generative_Adversarial_Style_CVPR_2018_paper.pdf在这个例子中，年龄是由模型改变的，它看起来很自然，因此外观状态也可能发生变化（从穷到富，反之亦然） https://neurohive.io/en/news/gated-gan-style-transfer-with-multiple-styles/ 第一张带有女孩的图像传达gan 使用的想法，但应该考虑更多。

如果你有很多图像组合的例子，你可以做的是使用带有 CNN 的深度学习模型来评估两个图像是否适合组合：即监督学习。该模型将两个图像作为输入，并输出组合在一起的概率。在非常大的数据库中找到与给定图像组合的最可能的候选对象可能很有用