weixin_53965540的博客

论文下载地址:BeautyGAN | Proceedings of the 26th ACM international conference on Multimedia目的：在实例级实现化妆图像和非化妆图像的妆容迁移方法：全局域集损失和本地实例级损失合并到一个双输入/输出对抗生成网络。步骤：使用一对鉴别器将非化妆面传输到化妆域，鉴别器从域的真实样本中分辨出生成的图像。在域集迁移的基础上，采用基于不同人脸区域的像素级直方图损失来实现实例级迁移。为了保持人脸的一致性和消除伪影，在总体目标函数中加入了.

Example-Based Cosmetic Transfer文章地址：Example-Based Cosmetic Transfer | IEEE Conference Publication | IEEE Xplore有监督模型——需要成对的化妆前后图目的：系统，虚拟上妆，基于实例的妆容迁移参考面部的固有皮肤特征，雀斑、痣和污点等不应该被转移 保留目标面部的皮肤特征要求：上妆前后图像对且两张图片在相同的位置和光线下获得A和A’是参考图，B是目标图，B’是生成图-...

论文下载地址：https://arxiv.org/pdf/1604.07102.pdf演示粉底，唇彩，眼影的迁移，模型可扩展到其它化妆品的迁移，可控制妆容的轻薄程度。端到端的深度卷积神经网络（基于数据库匹配的算法）实现的两个功能：1. 妆容推荐：从带妆人脸的参考数据集中选取与当前素颜脸相似的图片，即选取与当前素颜脸深度特征的欧氏距离最小者（已有该方法）【1】。将人脸输入现成的人脸识别模型【1】命名为 VGG-Face，2. 妆容迁移：妆容迁移功能应该满足的五个条件：功能齐全、化妆品专

论文下载地址：BeautyGlow: On-Demand Makeup Transfer Framework With Reversible Generative Network | IEEE Conference Publication | IEEE Xplore第一个基于Glow模型的妆容迁移方法优点：无需训练判别器和生成器两个大网络，自动合成生成结果不到一秒。基于 GAN 的方法不包含从数据构建潜在空间的编码器，因此无法通过简单地插入潜在向量来实现按需化妆转移。在GAN中，由于模型

论文Digital Face Makeup by Example(妆容迁移，无监督模型)需求，方法，模型，步骤，优缺点