图像生成模型的训练通常可以分为两个阶段：训练判别模型（Discriminator）和训练生成模型（Generator）。

  首先，在训练判别模型时，使用一组真实图像和一组生成的图像。真实图像是从数据集中随机选择的真实图像，生成的图像则是由生成模型生成的。判别模型的目标是能够区分真实图像和生成图像。这个阶段使用了监督学习的方法，通过最小化真实图像被错误地分类为生成图像和生成图像被错误地分类为真实图像的损失函数来训练判别模型。

  接下来，在训练生成模型时，训练数据仍然包括生成的图像和真实图像。生成模型的目标是能够生成接近真实图像的图像。这个阶段使用了无监督学习的方法，通过最大化判别模型将生成的图像分类为真实图像的损失函数来训练生成模型。

  整个训练过程是一个博弈过程，判别模型和生成模型相互影响。判别模型通过不断学习真实图像和生成图像之间的差异来提高自己的准确性，而生成模型则通过不断生成逼真的图像来欺骗判别模型。训练过程通常使用随机梯度下降等优化算法进行。

  此外，为了提高生成模型的性能，还可以使用一些技术，如生成对抗网络（GAN）、变分自编码器（VAE）等。这些技术在模型架构和损失函数设计上都有所不同，但基本思想是训练一个生成器来从随机噪声中生成图像，并通过判别器来对生成的图像进行评估和反馈。

  总之，图像生成模型通过迭代的训练过程，不断优化生成器和判别器之间的关系，以使生成的图像能够更加逼真地模拟真实图像。