深度 BeautyGAN：实例级面部化妆转换与生成对抗网络

BeautyGAN是一项创新的工作，它提出了一种深度生成对抗网络（Deep Generative Adversarial Network, DGAN）在实例级别进行人脸彩妆转换的技术。论文的核心目标是在保留原始人脸特征的同时，实现从一个带有彩妆的参考图像到另一个非彩妆人脸的转换，尤其是在没有成对训练数据的情况下，这相较于传统的域级别风格迁移更为复杂。 在化妆风格上，化妆风格不同于全局艺术风格，它由多个局部风格或化妆品构成，如眼影、口红、粉底等，这要求模型能够精细地捕捉并传递这些局部化妆信息，而现有的风格迁移方法往往难以胜任。BeautyGAN通过设计一个双输入/输出的网络结构来解决这一问题，其中包含一个域级鉴别器确保生成的图像与真实样本在领域内区分，以及一个实例级损失，该损失由局部人脸区域的像素级直方图损失计算得出，以确保化妆细节的准确复制。 为了进一步提高生成质量并保持人脸的身份特征，论文引入了知觉损失和循环一致性损失。知觉损失关注的是生成图像的整体感知质量，而循环一致性则有助于在连续的转换过程中保持身份的一致性。这种方法使得网络能够在无监督的对抗性学习中进行实例级别的彩妆转换，使得生成的化妆效果既美观又真实。 为了支持这项研究，作者们还创建了一个包含3834张高分辨率人脸图像的新化妆数据集，用于模型的训练和评估。通过大量实验，结果证明BeautyGAN在生成视觉上令人满意的化妆人脸和实现精确的妆容转移方面表现出色。该技术的应用前景广泛，例如虚拟试妆、个性化美妆推荐等领域。 论文的贡献主要体现在以下几个方面： 1. 开发了BeautyGAN模型，结合全局域级损失和局部实例级损失，实现了实例级别的面部彩妆转换。 2. 引入了知觉损失和循环一致性损失，提升了生成图像的质量和身份保持。 3. 创建了一个专门的化妆数据集，为研究提供了丰富的资源。 4. 证实了BeautyGAN在无监督情况下能生成高质量的化妆效果，并且在实际应用中展示了其优越性能。 有兴趣了解更多关于BeautyGAN的实现细节、技术细节或者想要尝试使用该技术的开发者和研究人员，可以通过访问提供的网址http://liusi-group.com/projects/BeautyGAN获取数据和源代码。