1.一种图像生成模型训练方法，所述方法包括：

获取预置的样本集，其中，所述样本集至少包括一个样本，样本包括第一域图像和第二域图像，所述域指的是图像的类别；

获取预先建立的生成式对抗网络，其中，所述生成式对抗网络的生成网络包括生成模块和网络模块，所述网络模块用于提升所述生成模块输出的图像的精细度；

执行以下训练步骤：从所述样本集中选取样本；将该样本的第一域图像输入所述生成模块，得到所述生成模块输出的伪图像以及所述网络模块输出的参考图像；将该样本的第二域图像、所述伪图像以及所述参考图像一起输入所述生成式对抗网络的判别网络；响应于确定所述生成式对抗网络满足训练完成条件，则将所述生成式对抗网络作为图像生成模型。

2.根据权利要求1所述的方法，所述方法还包括：

提取所述生成模块的中间层特征，并将提取的中间层特征输入所述网络模块，以使所述网络模块输出新的参考图像；

采用新的参考图像替换所述参考图像。

3.根据权利要求1所述的方法，其中，所述网络模块包括多个级联连接的卷积模块，每个卷积模块包括依次连接的设定个卷积层。

4.根据权利要求3所述的方法，所述将所述参考图像输入所述生成式对抗网络的判别网络包括：将每个卷积模块输出的图像输入所述生成式对抗网络的判别网络，以使所述判别网络对各个卷积模块输出的图像进行分类。

5.根据权利要求1‑4之一所述的方法，其中，所述训练完成条件包括以下至少一项：训练迭代次数达到预定迭代阈值，所述判别网络的判别准确率在预定范围内，该样本的第二域图像、所述伪图像以及所述参考图像一起输入所述生成式对抗网络的判别网络之后，计算的损失值小于预定损失值阈值。

6.一种图像生成方法，所述方法包括：

获取待处理图像；

将所述待处理图像输入采用如权利要求1‑5中任一项所述的方法生成的图像生成模型中，输出生成后的图像。

7.一种图像生成模型训练装置，所述装置包括：

样本获取单元，被配置成获取预置的样本集，其中，所述样本集至少包括一个样本，样本包括第一域图像和第二域图像，所述域指的是图像的类别；

网络获取单元，被配置成获取预先建立的生成式对抗网络，其中，所述生成式对抗网络的生成网络包括生成模块和网络模块，所述网络模块用于提升所述生成模块输出的图像的精细度；

选取单元，被配置成从所述样本集中选取样本；

得到单元，被配置成将该样本的第一域图像输入所述生成模块，得到所述生成模块输出的伪图像以及所述网络模块输出的参考图像；

输入单元，被配置成将该样本的第二域图像、所述伪图像以及所述参考图像一起输入所述生成式对抗网络的判别网络；

模型生成单元，被配置成响应于确定所述生成式对抗网络满足训练完成条件，则将所述生成式对抗网络作为图像生成模型。

8.根据权利要求7所述的装置，所述装置还包括：

提取单元，被配置成提取所述生成模块的中间层特征；

配置单元，被配置成将提取的中间层特征输入所述网络模块，以使所述网络模块输出新的参考图像；

替换单元，被配置成采用新的参考图像替换所述参考图像。

9.根据权利要求7所述的装置，其中，所述网络模块包括多个级联连接的卷积模块，每个卷积模块包括依次连接的设定个卷积层。

10.根据权利要求8所述的装置，所述配置单元进一步被配置成：将每个卷积模块输出的图像输入所述生成式对抗网络的判别网络，以使所述判别网络对各个卷积模块输出的图像进行分类。

11.根据权利要求7‑10之一所述的装置，其中，所述训练完成条件包括以下至少一项：训练迭代次数达到预定迭代阈值，所述判别网络的判别准确率在预定范围内，该样本的第二域图像、所述伪图像以及所述参考图像一起输入所述生成式对抗网络的判别网络之后，计算的损失值小于预定损失值阈值。

12.一种图像生成装置，所述装置包括：

图像获取单元，被配置成获取待处理图像；

图像生成单元，被配置成将所述待处理图像输入采用如权利要求1‑5中任一项所述的方法生成的图像生成模型中，输出生成后的图像。

13.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1‑6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1‑6中任一项所述的方法。