基于生成对抗网络的人脸妆容迁移方法研究

妆容迁移是一项利用计算机视觉和深度学习算法将一种妆容的风格转移到其他人脸上的技术,以实现高仿妆效果转换。为了有效解决现有人脸妆容迁移方法中存在的上妆区域错误和妆容迁移不完整的问题,提出了一种基于生成对抗网络的人脸妆容迁移方法(MutNet)。以解决妆容迁移不完整的问题为目标,该方法在解码器中引入了空间注意力机制,来帮助网络更加聚焦于需要修改的区域,并通过引入孪生对比损失,更好地实现人脸之间的语义对应关系,有效缓解或克服上妆区域错误的问题。同时通过与其他方法的对比结果表明,MutNet能获得更协调的上妆效果。

基于SCGAN的妆容迁移软件设计与实现

妆容迁移技术可以将参考图像的妆容风格迁移到目标图像的人脸上,帮助人们快速判断该类风格是否适合自己,达到虚拟化妆的效果。近年来,基于GAN的模型被广泛应用到妆容迁移技术上。文中基于Python语言实现了SCGAN妆容迁移算法,并设计开发了一个基于SCGAN的妆容迁移软件。该软件包含输入目标图像、截取人脸、输入参考图像和迁移妆容四个功能,在人脸空间变化较大的情况下也能快速实现妆容迁移效果。该软件界面简洁美观,操作简单,实现快速虚拟试妆。

人脸妆容迁移研究综述

人脸妆容迁移的目标是在保持源图像面部特征的同时,将人脸妆容从参考图像迁移到源图像,具有重要的理论研究价值和巨大的市场应用价值。目前,生成对抗网络已成为解决人脸妆容迁移问题的主流技术。阐述了人脸妆容迁移面临的主要挑战,按照重点解决问题的不同系统地梳理了已有的人脸妆容迁移方法并分析了其优点和局限性,总结了人脸妆容迁移网络常用的损失函数,介绍了常用的人脸妆容迁移数据集以及模型评价方法,讨论了人脸妆容迁移领域未来的发展趋势。

一种多通路的分区域快速妆容迁移深度网络

妆容迁移是指把参考妆容迁移到素颜人脸上,并保持其上妆风格的一种任务.它提供了快速高效的候选妆容可视化的解决方案,得到了学术界和工业界的广泛关注.为了解决真实同人异妆数据的缺失,以及现有妆容迁移方法没有充分考虑人与人的五官差异而导致的迁移脸部结构丢失等问题,提出了一种多通路的分区域快速妆容迁移深度网络模型.具体而言,首先在人脸关键点检测的基础上,完成端到端的人脸校准;再利用通路差异的损失函数,根据眼影、唇膏、粉底的区域妆容特点优化网络;最后通过泊松融合、多通路的输出生成上妆结果.该模型具有存储空间小、生成速度快的优点,在保证人脸结构不变的同时,使得迁移后的眼影更均衡,唇膏色彩更保真,粉底迁移更精细.在国际通用VMU和DLMT美妆数据库上进行实验研究,结果表明,该方法取得了更协调的视觉效果、更快的上妆速度、更多样的同人异妆和异人同妆的迁移风格,优于对比方法.

基于深度学习的人脸妆容迁移算法

人脸妆容迁移是指将参考妆容迁移到素颜人脸上,在保持面部特征不变的同时尽可能展现参考妆容的风格的一种任务。为了进一步实现人脸妆容自动迁移技术,避免现有妆容迁移方法没有充分考虑人与人之间的五官差异而导致提取的人脸信息不足等问题,提出了一种基于深度卷积神经网络的人脸妆容迁移算法。该算法首先自动定位素颜人脸和参考妆容的五官,提取重要部位的特征信息。然后通过妆容传递网络和损失函数,经过深度卷积神经网络自主训练,最终实现了参考妆容向素颜人脸的自动迁移。仿真实验结果表明,与目前的主流算法进行对比,该算法耗时更短、运算性能更具优势,同时在不改变原图五官细节的基础上,妆容迁移效果更为自然。

低分辨率图像的妆容迁移算法

现有的妆容迁移算法效果优越,功能丰富,但是较少考虑到输入图像为低分辨率的场景.当高分辨率图像难以获得时,现有的妆容迁移算法将难以适用,妆容无法完全迁移.为此本文提出了一种适用于低分辨率图像的妆容迁移算法,将包含妆容信息的特征矩阵作为先验信息,将超分辨率网络与妆容迁移网络结合在一起产生协同效应,即使输入的图像为低分辨率图像,也能输出高分辨率的妆容迁移结果,并且充分保留妆容细节的同时提升姿势和表情的鲁棒性.由于使用端到端的模型实现妆容迁移与超分辨率,因此设计了一组联合损失函数,包括生成对抗损失、感知损失、循环一致性损失、妆容损失和均方误差损失函数.所提出的模型在妆容迁移与超分辨率的定性实验和定量实验中均达到了先进水平.

基于生成对抗网络的面部妆容迁移研究

神经网络在人脸分析上的研究比如妆容迁移具有一定的难度,在面部肌龄、纹理、种族等细节方面的处理还没达到人们的预期效果。为解决上述图像处理方面的问题,提出了一种基于生成对抗网络GAN的面部妆容迁移方法。首先分别将上妆图片和未上妆图片给到生成器网络使其生成后者输出是带有上妆图片妆容效果,然后判别器对其真假图片进行二分类并计算损失,最后促使模型生成指定的人脸妆效。实验结果表明,整个过程能实现快速上妆且不丢失细节处理,并有舒服的观感。

基于生成对抗网络的人脸妆容自动迁移方法

为有效解决现有人脸妆容迁移方法训练数据缺乏,以及上妆区域错误等问题,提出了一种基于生成对抗网络的人脸妆容自动迁移方法。方法通过构建生成对抗网络目标函数,采用Encoder-Decoder神经网络生成对抗网络生成器,并基于多层卷积神经网络构建鉴别器,训练算法采用交替优化的方式。仿真实验和方法比对结果表明,该方法在保持素颜妆后图像脸部结构不变的同时,尽可能地体现了参考妆容风格,得到了更协调的上妆效果,具有更佳的对比优势和视觉效果,为人脸妆容自动迁移技术提供了新思路。

一种面向戏曲妆容细节生成的风格迁移网络

为解决跨域图像仿真中局部风格细节丢失问题,以保护传统优秀文化为视角,设计了一种适用于戏曲人脸妆容的ChinOperaGAN网络框架。为了解决两个图像域内差异的风格迁移,提出了在生成对抗网络中使用多个重叠的局部对抗性鉴别器;考虑到成对的戏曲人脸妆容数据较难获取问题,设计了结合源图像妆容映射生成合成图像来指导图像间局部妆容细节的有效迁移方法;针对戏曲人脸妆容色彩浓重分明的特点,引入了损失函数以约束生成具有高频细节的妆容图像。在开源数据集和自建数据集上进行实验,通过与经典的方法进行定性和定量分析,均优于传统经典方法。结果表明,通过无监督的对抗性学习完成了妆容的迁移,很好地生成了具有高频细节的戏曲人脸妆容风格图像,能够实现图像特征一致、风格匹配的图像迁移,成果可应用于非遗文化的数字化系统仿真,有利于传统文化的传承和发展。

电子上妆技术在载人航天中的应用设计

针对空间站为代表的空间活动驻留宇航员上镜时的妆容美化需求和空间环境资源限制等问题,通过图像处理的方法为宇航员进行虚拟上妆,优化航天员个人形象。对妆容迁移技术现状和载人航天中的问题进行了初步的探索和讨论,进一步提出虚拟上妆的优化设想,设计了基于生成对抗网络的妆容迁移模型。通过该模型可以对宇航员图像或视频的关键帧进行自动美颜,实现宇航员面部的虚拟上妆。实验结果表明,在不会改变宇航员的身份信息的基础上,通过优化后的循环一致性生成对抗网络对宇航员图像面部、眼部及唇部都可以进行迁移上妆,且不需要额外的手动交互。电子上妆技术解决了太空中宇航员个人形象维护难的问题,对进一步提升航天员形象有一定的参考价值。

基于生成对抗网络的自动美妆技术研究

现有的基于生成对抗网络的自动美妆方法存在着生成的图像质量不高、美妆效果不理想等问题。因此,论文研究了一种WarpMakeup-GAN方法实现了女性人脸图像的自动美妆功能。首先,对于网络结构部分,通过深度可分离卷积和特征金字塔结构提升网络速度和拟合能力;其次,对于损失函数部分,通过自重建损失函数和仿射变换损失函数提升网络生成的图像质量和美妆效果;最后,通过测试阶段引入人脸对齐进一步优化美妆效果。与现有的方法相比,此方法可以生成更好的美妆图像。