常见的图像编辑方法侧重于低级特征。在本论文中，我利用机器学习使图像编辑在更高的概念层次上运行。从根本上说，所提出的方法旨在通过结合通用的视觉知识，从可能被编辑的信息中提取出必须在编辑过程中维护的视觉信息。因此，新方法可以以人类可理解的方式转换图像，比如将一个物体转换为另一个物体，将照片程式化到特定艺术家的画作中，或将日落加到白天拍摄的照片中。我们探索在不同的设置和不同数量的监督设计这样的方法: 逐像素标签，逐图像标签，和没有标签。首先，利用逐像素监督，我提出了一种新的深度神经网络架构，可以从场景布局和可选目标风格合成逼真的图像。其次，使用每个图像监督，我探索了域翻译的任务，其中一个类的输入图像被转换为另一个类。最后，我设计了一个框架，可以从一组未标记的图像中发现结构和纹理的分离操作。我们在广泛的应用中提供令人信服的视觉效果，包括交互式照片绘图工具、对象变形、虚拟和真实环境之间的域间隙减少，以及图像纹理的逼真操作