LADN: Local Adversarial Disentangling Network for Facial Makeup and De-Makeup
CMU（卡内基梅隆大学）；HKUST（香港科技大学）；Stanford University（斯坦福大学）；UIUC（伊利诺伊大学厄巴纳-香槟分校）；Tencent（腾讯）
我们提出了一个本地对抗解缠网络（LADN）的面部化妆和卸妆。我们的方法的核心是多个和重叠的本地对抗性鉴别器在内容风格的解缠网络中实现面部图像之间的局部细节转移，并使用不对称的损失函数用于具有高频细节的戏剧性化妆风格。现有的技术没有展示或未能在全局对抗设置中传递高频细节，或者仅训练单个局部细节以确保图像结构一致性，因此仅对相对简单的样式起作用。与其他人不同的是，我们提出的局部对抗鉴别器可以区分生成的局部图像细节是否与无监督设置中跨图像风格传输中给定参考图像中的相应区域一致。通过这些技术贡献，我们不仅在传统风格上实现了最先进的结果，而且还实现了涉及复杂和戏剧性风格的新颖结果，其中高频细节覆盖了多个面部特征的大面积。一个精心设计的化妆前后未配对图像数据集被发布。
2019-08-09 cs.AI cs.CV cs.LG
Diffusion-Based Makeup Transfer with Facial Region-Aware Makeup Features
Queen Mary University of London（伦敦女王学院）；Huawei London Research Center（华为伦敦研发中心）
本文提出FRAM方法，通过微调化妆CLIP和区域感知化妆注入，提升扩散模型在面部区域特定化妆转移中的可控性与效果。
2026-03-25 cs.CV
MakeupMirror: Improving Facial Attribute Preservation in Diffusion Models for Makeup Transfer
Amazon（亚马逊）
提出MakeupMirror扩散模型，通过ControlNet几何条件、区域特定迁移控制、肤色调制和Langevin采样器，在保持面部特征和肤色的同时实现高质量化妆迁移，相比Stable-Makeup提升面部识别相似度60%、降低肤色差异50%。
2026-06-19 cs.AI cs.CV cs.GR
Facial Makeup Transfer Combining Illumination Transfer
Beijing Electronic Science and Technology Institute（北京电子科技学院）；Beihang University（北京航空航天大学）；Tsinghua University（清华大学）
为满足女性的美容需求，提出了一种新颖的面部化妆转移的虚拟体验方法，并开发成windows平台的应用软件。化妆效果可以实时的呈现在用户的输入图像上，而只有单个参考图像。该算法以人脸特征点为标志，将输入图像和参考图像分为三层：人脸结构层、人脸颜色层和人脸细节层。除了对以上各层进行不同的算法处理生成输出图像外，还加入了光照传递，使参考图像的光照效果自动传递到输入图像上。我们的方法具有以下三个优点：（1）通过引入光照转移，可以有效地转移黑色或黑白面部化妆;（2）与基于深度学习框架的方法相比，可以在几秒钟内有效地转移面部化妆;（3）具有空气刘海的参考图像可以完美地转移化妆。
2019-07-08 cs.CV
Local Facial Makeup Transfer via Disentangled Representation
人脸化妆迁移的目的是在保持人脸身份的前提下，将非化妆人脸图像渲染到任意给定的化妆人脸图像中。最先进的方法是从人脸图像中分离出化妆风格信息，实现化妆转移。然而，化妆风格包括几个语义清晰的地方风格，仍然纠缠在一起。在本文中，我们提出了一种新的统一对抗解缠网络，将人脸图像进一步分解为四个独立的分量，即，个人身份、唇妆风格、眼妆风格和脸妆风格。由于对化妆风格的进一步分解，我们的方法不仅可以控制全局化妆风格的程度，而且可以灵活地调节局部化妆风格的程度，这是任何其他方法都无法做到的。在卸妆方面，不同于其他方法将卸妆视为化妆的逆过程，我们将化妆转移与卸妆整合到一个统一的框架中，获得多重卸妆效果。大量的实验表明，我们的方法可以产生更真实和准确的化妆转移结果相比，国家的最先进的方法。
2020-06-21 cs.CV
DiffAM: Diffusion-based Adversarial Makeup Transfer for Facial Privacy Protection
University of Science and Technology of China（中国科学技术大学）
针对人脸识别系统滥用导致的面部隐私泄露问题，提出基于扩散模型的对抗妆容迁移方法DiffAM，通过卸妆模块建立妆域关系，结合CLIP妆容损失与集成攻击，生成高视觉质量、高黑盒可迁移性的保护图像，黑盒攻击成功率较SOTA提升12.98%。
2024-05-16 cs.AI cs.CV
BeautyBank: Encoding Facial Makeup in Latent Space
CyberAgent；The University of Tokyo（东京大学）
本文提出BeautyBank妆容编码器，将妆容图案特征解耦并编码到高维潜空间，结合渐进式妆容微调策略，实现妆容注入生成与相似度度量，并构建了32.4万对高清成对数据集BMS。
2024-11-24 cs.CV
Makeup Prior Models for 3D Facial Makeup Estimation and Applications
CyberAgent（赛博agent公司）；University of Tsukuba（筑波大学）
本文提出基于PCA和StyleGAN2的两种妆容先验模型及妆容一致性模块，有效解决3D面部妆容估计中的自遮挡问题，计算速度提升180倍，并显著改善多项3D妆容应用效果。
2024-03-26 cs.CV cs.GR
Gorgeous: Create Your Desired Character Facial Makeup from Any Ideas
Universiti Malaya（马来亚大学）
提出基于扩散模型的妆容应用方法$Gorgeous$，通过三到五张任意类型图像汲取灵感生成独特主题角色面部妆容，突破了传统迁移依赖人脸参考图像的限制，增强了视觉叙事的叙事深度与视觉冲击力。
2024-04-22 cs.CV cs.MM
Lightweight Real-time Makeup Try-on in Mobile Browsers with Tiny CNN Models for Facial Tracking
ModiFace Inc.（ModiFace公司）
最近关于用于面部对齐的卷积神经网络（CNN）的工作在各种大型公开数据集上表现出前所未有的准确性。然而，开发的模型往往是笨重的和计算昂贵的，并不适合资源受限的设备上的应用程序。在这项工作中，我们研究开发和训练紧凑的面部对齐模型，这些模型具有快速的推理速度和小的部署尺寸，使它们适合上述类别的设备上的应用。我们的主要贡献在于设计这样的小模型，同时保持高精度的面部对齐。我们提出的模型利用适应面部对齐问题的轻型CNN架构，从低分辨率输出热图中准确地两阶段预测面部地标坐标。我们进一步结合开发的面部跟踪器与渲染方法，并建立一个实时的【形】化妆试穿演示，运行在智能手机Web浏览器的客户端。更多结果和演示在我们的项目页面：http://research.modiface.com/makeup-try-on-cvprw2019/
2019-06-11 cs.CV
Detection of Makeup Presentation Attacks based on Deep Face Representations
Hochschule Darmstadt（达姆施塔特应用技术大学）
面部化妆品有能力大大改变面部外观，这可能会对面部识别的决策产生负面影响。此外，最近有研究表明，化妆品的应用可能被滥用，以发起所谓的化妆演示攻击。在这种攻击中，攻击者可能会涂上浓妆，以达到模仿目标对象的面部外观。在这项工作中，我们评估的COTS人脸识别系统的脆弱性化妆演示攻击采用公开的化妆诱导人脸欺骗（MIFS）数据库。结果表明，化妆呈现攻击可能会严重影响人脸识别系统的安全性。此外，我们提出了一种攻击检测方案，该方案通过分析从潜在的化妆呈现攻击和相应的目标人脸图像中获得的深层人脸表示的差异，将化妆呈现攻击与真正的认证尝试区分开来。所提出的检测系统采用基于机器学习的分类器，该分类器利用结合图像扭曲的用于面部化妆转移的生成对抗网络，利用合成生成的化妆呈现攻击来训练。使用MIFS数据库进行的实验评估揭示了0.7%的检测相等出错率的任务，从化妆演示攻击分离真正的认证尝试。
2021-01-19 cs.CV
MakeupBag: Disentangling Makeup Extraction and Application
Lightricks
本文介绍了一种新的化妆风格自动转换方法--化妆包。我们提出的技术可以将一个新的化妆风格从一个参考人脸图像转移到另一个以前看不见的面部照片。我们解决化妆解开和面部化妆应用作为可分离的目标，相比之下，其他目前的深度方法，纠缠这两个任务。MakeupBag为我们的方法提供了显著的优势，因为它允许对提取的化妆风格进行定制和像素特定的修改，这是使用当前方法不可能实现的。大量的实验，定性和数值，进行证明我们的方法产生的图像的高质量和准确性。此外，与目前大多数其他方法相比，MakeupBag处理古典和极端以及服装化妆转移。在一项比较分析中，MakeupBag的表现优于目前最先进的方法。
2020-12-03 cs.CV
Anti-Makeup: Learning A Bi-Level Adversarial Network for Makeup-Invariant Face Verification
National Laboratory of Pattern Recognition, CASIA（中国科学院自动化研究所模式识别国家重点实验室）；Center for Research on Intelligent Perception and Computing, CASIA（中国科学院自动化研究所智能感知与计算研究中心）；Center for Excellence in Brain Science and Intelligence Technology, CAS（中国科学院脑科学与智能技术卓越创新中心）；University of Chinese Academy of Sciences（中国科学院大学）
化妆被广泛用于改善面部吸引力，并为公众所接受。然而，不同的化妆风格会导致面部外观的显著变化。化妆和非化妆面部图像的匹配仍然是一个具有挑战性的问题。提出了一种基于双层对抗网络（BLAN）的化妆不变人脸验证方法。为了减轻化妆带来的负面影响，我们首先从化妆图像生成非化妆图像，然后使用合成的非化妆图像进行进一步的验证。BLAN中的两个对抗网络被集成在一个端到端的深度网络中，一个在像素级上用于重建吸引人的面部图像，另一个在特征级上用于保存身份信息。这两个网络共同减少了化妆和非化妆图像之间的感知差距。此外，我们通过将多个感知损失，使发电机很好地约束。在三个基准化妆人脸数据集上的实验结果表明，我们的方法在化妆状态下达到了最先进的验证精度，并且可以生成照片般逼真的非化妆人脸图像。
2017-11-22 cs.CV
Improving Makeup Face Verification by Exploring Part-Based Representations
Institute of Computing, University of Campinas (Unicamp)（坎皮纳斯大学计算研究所（Unicamp））；Samsung R&D Institute Brazil（巴西三星研发研究院）
最近，我们看到全球面部识别市场规模的增长。尽管随着卷积神经网络的采用，面部识别技术取得了重大进展，但仍然存在开放的挑战，例如当面部化妆时。为了应对这一挑战，我们提出并评估采用面部部位融合当前的整体表示。我们提出了两种策略的面部部分：一个有四个区域（左眼周，右眼周，鼻子和嘴），另一个有三个面部三分之一（上，中，下）。在四个公开的化妆人脸数据集和具有挑战性的跨数据集协议中获得的实验结果表明，从面部部分提取的深度特征与整体表示的融合提高了人脸验证系统的准确性并降低了出错率，即使没有对CNN模型进行任何重新训练。我们提出的管道在四个数据集（EMFD，FAM，M501和YMU）上取得了有竞争力的结果。
2021-10-16 cs.CV
Toward Tiny and High-quality Facial Makeup with Data Amplify Learning
Shanghai Jiao Tong University（上海交通大学）；Alibaba Group（阿里巴巴集团）；Institute of Cultural and Creative Industry（文化创意产业研究院）
提出数据放大学习范式DAL与紧凑模型TinyBeauty，通过DDA放大有限图像实现像素级监督，仅需80K参数和5个图像对即可达到SOTA性能，并在iPhone 13上实现460 fps推理速度。
2024-09-25 cs.CV
Makeup-Guided Facial Privacy Protection via Untrained Neural Network Priors
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
针对现有化妆对抗攻击方法依赖大规模数据集且存在性别偏差的问题，提出一种基于未训练神经网络先验的测试时优化方法，通过潜在空间对应模块和条件化妆层解码器生成对抗性化妆图像以保护人脸隐私，并扩展至视频，在基准数据集和商业系统上均表现优异。
2024-08-20 cs.CV cs.LG
Makeup like a superstar: Deep Localized Makeup Transfer Network
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；Huazhong University of Science and Technology（华中科技大学）；Yunnan Open University（云南开放大学）；University of Electronic Science and Technology of China（电子科技大学）
在本文中，我们提出了一种新的深度本地化化妆传输网络，自动推荐最适合女性的化妆和合成她脸上的化妆。给定一张化妆前的脸，她最合适的化妆是自动确定的。然后，化妆前和参考人脸都被馈送到所提出的深度传输网络中以生成化妆后的人脸。我们的端到端化妆品转移网络具有几个很好的特性，包括：（1）功能齐全：包括粉底，唇彩和眼影转移;（2）化妆品专用：不同的化妆品以不同的方式转移;（3）局部化：不同的化妆品涂抹在不同的面部区域;（4）产生自然的外观效果，没有明显的伪影;（5）可控的化妆品亮度：可以产生从淡妆到浓妆的各种结果。定性和定量实验表明，我们的网络比[Guo和Sim，2009]的方法和NerualStyle的两个变体[Gatys等人，2015年a]。
2016-04-25 cs.AI cs.CV
3D-Aware Adversarial Makeup Generation for Facial Privacy Protection
Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出3DAM-GAN框架，通过基于UV的生成器和集成训练策略生成高质量、高迁移性的对抗化妆，有效保护面部隐私免受各类人脸识别模型和商业API的攻击。
2023-06-26 cs.CV
EleGANt: Exquisite and Locally Editable GAN for Makeup Transfer
Tsinghua University（清华大学）；Shanghai Qi Zhi Institute（上海期智研究院）
大多数现有的方法将化妆转移视为转移不同面部区域的颜色分布，而忽略了诸如眼影和腮红的细节。此外，它们只能在预定义的固定区域内实现可控转移。本文强调了化妆细节的转移和更灵活的控制步骤。为此，我们提出了精致的和本地可编辑的GAN化妆转移（EleGANt）。它将面部属性编码到金字塔特征图中以保留高频信息。它使用注意力从参考中提取化妆特征并使其适应源人脸，并且我们引入了一种新的Sow-Attention模块，该模块在移位重叠窗口内应用注意力以降低计算成本。此外，EleGANt是第一个通过在特征图上进行相应编辑来实现任意区域内的自定义局部编辑的。大量实验表明，EleGANt生成具有精致细节的逼真化妆面部，并实现了最先进的性能。该代码可在https://github.com/Chenyu-Yang-2000/EleGANt上获得。
2022-07-20 cs.CV
AvatarMakeup: Realistic Makeup Transfer for 3D Animatable Head Avatars
Institute of Information Science and Visual Intelligence + X International Joint Laboratory, Beijing Jiaotong University（信息科学与视觉智能+X联合实验室，北京交通大学）；College of Electrical Engineering and Automation, Shandong University of Science and Technology（电气工程与自动化学院，山东科技大学）；School of Mathematical Sciences, University of Science and Technology of China（数学科学学院，中国科学技术大学）
针对3D虚拟形象妆容迁移中表情一致性、身份保持和细节控制不足的问题，提出AvatarMakeup方法，利用预训练扩散模型和由粗到细策略，结合Coherent Duplication与Refinement Module，实现高质量且动画一致的妆容迁移。
2025-07-07 cs.CV
SLGAN: Style- and Latent-guided Generative Adversarial Network for Desirable Makeup Transfer and Removal
The University of Tokyo（东京大学）
当使用生成对抗网络对人脸照片进行化妆时，需要考虑五个特征。这些特征包括（1）面部组件，（2）交互式颜色调整，（3）化妆变化，（4）对姿势和表情的鲁棒性，以及（5）使用多个参考图像。已经提出了几个相关的工作，主要是使用生成对抗网络（GAN）。不幸的是，他们都没有同时解决所有五个特点。本文通过一种创新的风格和潜在引导的GAN（SL GAN）来弥补这一差距。我们提供了一种新的，感性的化妆损失和风格不变的解码器，可以转移化妆风格的基础上直方图匹配，以避免身份移位的问题。在我们的实验中，我们表明，我们的SLGAN是优于或相当于国家的最先进的方法。此外，我们表明，我们的建议可以插值面部化妆图像，以确定独特的功能，比较现有的方法，并帮助用户找到理想的化妆配置。
2020-09-24 cs.CV cs.MM
Gendered Differences in Face Recognition Accuracy Explained by Hairstyles, Makeup, and Facial Morphology
University of Notre Dame（圣母大学）；Florida Institute of Technology（佛罗里达理工学院）
媒体报道指责人脸识别是“有偏见的”，“性别歧视”和“种族主义”。研究文献中有一个共识，即女性的人脸识别准确率较低，她们通常具有更高的错误匹配率和更高的错误不匹配率。然而，很少有发表的研究旨在确定女性准确性较低的原因。例如，2019年人脸识别供应商测试记录了广泛的算法和数据集中女性准确率较低的情况，还在“我们没有做什么”的标题下列出了“分析因果关系”。我们提出了第一个实验分析，以确定在以前的研究中观察到这一结果的数据集上女性人脸识别准确率较低的主要原因。在测试图像中控制等量的可见面部减轻了女性明显较高的错误不匹配率。进一步的分析表明，化妆平衡的数据集进一步提高了女性，以实现更低的错误不匹配率。最后，聚类实验表明，两个不同的女性的图像本质上比两个不同的男性更相似，可能占错误匹配率的差异。
2021-12-29 cs.CV
Cosmetic-Aware Makeup Cleanser
CRIPAC, National Laboratory of Pattern Recognition, CASIA（中国科学院自动化研究所模式识别国家重点实验室CRIPAC）；Center for Excellence in Brain Science and Intelligence Technology, CAS（中国科学院脑科学与智能技术卓越创新中心）；University of Chinese Academy of Sciences（中国科学院大学）
人脸验证的目的是确定一对人脸图像是否属于同一个身份。最近的研究揭示了面部化妆对验证性能的负面影响。随着深度生成模型的快速发展，提出了一种基于语义的化妆品清洗器（SAMC），通过生成实现不同姿态和表情下的化妆品清洗和验证。直觉在于，化妆是多种化妆品的综合效果，并且应该对不同的化妆品区域施加量身定制的治疗。为此，我们提出了无监督和监督的语义感知学习策略在SAMC。在图像级，一个无监督的注意模块与生成器联合学习，以定位美容区域并估计程度。在特征层，我们仅在训练阶段就利用人脸分析的努力，并设计了一个局部纹理损失来服务于补充和追求更高的合成质量。在4个化妆数据集上的实验结果表明，SAMC算法不仅能够在256*256分辨率下产生吸引人的去化妆输出，而且能够通过图像生成实现化妆不变人脸验证。
2020-04-20 cs.CV
Protecting Facial Privacy: Generating Adversarial Identity Masks via Style-robust Makeup Transfer
Huazhong University of Science and Technology（华中科技大学）；National Engineering Research Center for Big Data Technology and System（国家大数据技术与系统工程研究中心）；Hubei Engineering Research Center on Big Data Security（湖北省大数据安全工程研究中心）；Deakin University（迪肯大学）
虽然深度人脸识别（FR）系统在识别和验证方面表现出惊人的性能，但它们也因其对用户的过度监视而引起隐私问题，特别是对于社交网络上广泛传播的公共人脸图像。最近，一些研究采用对抗性示例来保护照片不被未经授权的人脸识别系统识别。然而，现有的对抗性人脸图像生成方法存在视觉效果差、白盒设置、可移植性差等缺陷，难以应用于现实中的人脸隐私保护。在本文中，我们提出了对抗化妆转移GAN（AMT-GAN），一种新的人脸保护方法，旨在构建对抗人脸图像，同时保持更强的黑盒可转移性和更好的视觉质量。AMT-GAN利用生成对抗网络（GAN）来合成具有从参考图像转移的化妆的对抗面部图像。特别是，我们引入了一个新的正则化模块以及一个联合训练策略，以调和对抗性噪声和化妆转移中的周期一致性损失之间的冲突，实现攻击强度和视觉变化之间的理想平衡。大量的实验证明，与现有技术相比，AMT-GAN不仅可以保持舒适的视觉质量，而且可以实现比商业FR API更高的攻击成功率，包括Face++，阿里云和微软。
2022-03-28 cs.CR cs.CV
MakeupAttack: Feature Space Black-box Backdoor Attack on Face Recognition via Makeup Transfer
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）
本文提出MakeupAttack，一种基于妆容迁移的人脸识别特征空间黑盒后门攻击方法，通过迭代训练范式学习妆容风格触发器并利用自适应选择方法促进触发器多样性，有效绕过现有防御且不损害模型性能。
2024-08-22 cs.CV
CLIP2Protect: Protecting Facial Privacy using Text-Guided Makeup via Adversarial Latent Search
Mohamed Bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学）
针对人脸识别带来的隐私泄露问题，提出CLIP2Protect方法，通过生成模型潜在空间中的对抗性搜索结合文本引导化妆，生成自然且具有强黑盒迁移性的隐私保护人脸，在人脸验证任务上比现有最优方法绝对提升12.06%。
2023-06-20 cs.CR cs.CV cs.LG
Disentangled Makeup Transfer with Generative Adversarial Network
Shanghai Jiao Tong University（上海交通大学）
脸部化妆转移是一种广泛使用的技术，其目的是将化妆风格从参考脸部图像转移到非化妆脸部。现有的文献利用对抗损失，使生成的脸是高质量的和真实的，但只能产生固定的输出。受解纠缠表示最新进展的启发，本文提出了DMT（解纠缠化妆转移），一个统一的生成对抗网络，以实现不同的化妆转移场景。我们的模型包含一个身份编码器，以及化妆编码器解开个人身份和化妆风格的任意人脸图像。基于两个编码器的输出，解码器被用来重建原始人脸。我们还应用了一个识别器来区分真实的面孔和虚假的面孔。因此，我们的模型不仅可以从一个或多个参考人脸图像的化妆风格转移到一个非化妆的脸与可控的强度，但也产生各种输出的风格采样从先验分布。大量的实验表明，我们的模型是优于现有的文献，通过生成高质量的结果，为不同的情况下化妆转移。
2019-07-02 cs.CV
Generalized Disguise Makeup Presentation Attack Detection Using an Attention-Guided Patch-Based Framework
Faculty of Computer science and Engineering（计算机科学与工程学院）
本文提出一种通用伪装化妆攻击检测框架，通过两阶段设计提取区域注意力分数并进行局部分析，构建了新的多样化数据集，实验结果表明方法在泛化能力上表现优异。
2026-04-28 cs.CV
PSGAN: Pose and Expression Robust Spatial-Aware GAN for Customizable Makeup Transfer
Beihang University（北京航空航天大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；National University of Singapore（新加坡国立大学）；YITU Tech（依图科技）
在本文中，我们解决的化妆转移任务，其目的是从一个参考图像的化妆源图像。现有的方法在受限场景中取得了可喜的进展，但在具有大姿态和表情差异的图像之间的传输仍然具有挑战性。此外，它们不能实现可定制的转移，允许可控的化妆阴影或指定要转移的部分，这限制了它们的应用。为了解决这些问题，我们提出了姿态和表达鲁棒的空间感知GAN（PS GAN）。首先利用化妆提取网络将参考图像的化妆分解为两个空间感知的化妆矩阵。然后，引入了注意化妆变形模块来指定源图像中的像素的化妆如何从参考图像变形。使用化妆矩阵和源图像，化妆应用网络用于执行化妆转移。我们的PSGAN不仅在存在较大姿势和表情差异的情况下实现了最先进的效果，而且还能够执行局部和阴影可控的化妆转移。我们还收集了一个包含各种姿势和表情的面部图像的数据集进行评估。
2019-11-26 cs.CV
Stable-Makeup: When Real-World Makeup Transfer Meets Diffusion Model
Shanghai Jiao Tong University（上海交通大学）；ShanghaiTech University（上海科技大学）；National University of Singapore（新加坡国立大学）；Tiamat（缇亚马特）
本文提出Stable-Makeup，一种基于扩散模型的妆容迁移方法，通过细节保留编码器、内容结构控制模块及U-Net中的妆容交叉注意力层，实现了现实世界复杂妆容的精准迁移，并在多项任务中达到SOTA表现。
2025-04-01 cs.CV
Supervised makeup transfer with a curated dataset: Decoupling identity and makeup features for enhanced transformation
School of Computer Science and Technology, Zhejiang University of Technology, Zhejiang, China（浙江工业大学计算机科学与技术学院）；The University of Hong Kong（香港大学）
本文提出了一种基于 curated 数据集的监督化妆转移方法，通过解耦身份和化妆特征，提升化妆转换的保真度和可控性。
2026-01-31 cs.CV
FLUX-Makeup: High-Fidelity, Identity-Consistent, and Robust Makeup Transfer via Diffusion Transformer
Nanjing University of Science and Technology（南京理工大学）；AI Research（360人工智能研究院）；Beijing University of Aeronautics and Astronautics（北京航空航天大学）
FLUX-Makeup提出一种无需辅助人脸控制组件的扩散Transformer妆容迁移框架，通过源图像原生条件输入和RefLoRAInjector特征注入器，结合高质量数据生成流水线，实现高保真、身份一致且鲁棒的妆容迁移，性能达到最先进水平。
2025-08-07 cs.CV
SHMT: Self-supervised Hierarchical Makeup Transfer via Latent Diffusion Models
School of Computer Science and Artificial Intelligence, Wuhan University of Technology（武汉理工大学计算机科学与人工智能学院）；Sanya Science and Education Innovation Park, Wuhan University of Technology（武汉理工大学三亚科教创新园）；DAMO Academy, Alibaba Group（阿里巴巴达摩院）；Shanghai AI Laboratory（上海人工智能实验室）
提出基于潜在扩散模型的自监督分层化妆迁移方法，通过解耦-重建范式避免伪数据误导，利用拉普拉斯金字塔分解纹理并设计迭代双重对齐模块，实现高保真多样化妆风格迁移。
2024-12-15 cs.CV
Face Beautification: Beyond Makeup Transfer
Oben, Inc（奥本公司）；West Virginia University（西弗吉尼亚大学）
面部表情在我们的社会生活中扮演着重要的角色。对女性美丽的主观感知取决于各种与面部相关的（例如，皮肤、形状、毛发）和环境（例如，化妆、照明、角度）因素。与现实世界中的整容手术类似，虚拟面部美容是一个新兴领域，有许多开放的问题需要解决。受基于风格的合成和人脸美容预测的最新进展的启发，我们提出了一种新的人脸美化框架。对于一个给定的具有高美丽分数的参考人脸，我们基于GAN的架构能够将查询人脸转换为具有参考美丽风格和目标美丽分数值的美化人脸图像序列。为了实现这一目标，我们建议将基于风格的美丽表示（从参考人脸中提取）和美丽分数预测（在SCUT-FBP数据库上训练）集成到美化过程中。与化妆转移不同，我们的方法针对多对多（而不是一对一）翻译，其中多个输出可以由不同的引用或不同的美丽分数定义。大量的实验结果表明，建议的人脸美化框架的有效性和灵活性。
2019-12-11 cs.CV
Machine Pareidolia: Protecting Facial Image with Emotional Editing
本文提出MAP方法，通过情绪修改伪装面部身份，提升隐私保护效果，优于现有基线方法。
2026-03-04 cs.CV cs.LG
Facelet-Bank for Fast Portrait Manipulation
The Chinese University of Hong Kong（香港中文大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Tencent Youtu Lab（腾讯优图实验室）
随着智能手机和社交网络的普及，数字面部操作已经成为一种流行且迷人的触摸图像的方式。由于用户偏好、面部表情和配件种类繁多，因此需要一个通用且灵活的模型来适应不同类型的面部编辑。在本文中，我们提出了一个模型，以实现这一目标的基础上，端到端的卷积神经网络，支持快速推理，编辑效果控制，快速部分模型更新。此外，该模型从具有不同属性的未配对图像集学习。实验结果表明，我们的框架可以处理广泛的表情，配件和化妆效果。它以快速的速度产生高分辨率和高质量的结果。
2018-03-30 cs.CV
