论文BeautyGlow: On-Demand Makeup Transfer Framework With Reversible Generative Network(2019,妆容迁移)
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,由于模型没有编码器使得数据点通常不能在潜在空间中直接被表征,并且表征完整的数据分布也是不容易的。
输入:参考图()和素颜图()
把输入图像编码到潜在空间Z中,表示为(素颜图)和(参考图)
从中获取向量,从中获取向量通过变换矩阵 W 分别分解为两个潜在特征(,),(,),把和相加生成
为了让变换矩阵 W 将潜在向量完美分解为潜在面部特征和潜在化妆特征,引入损失函数。
感知损失函数提取面部特征:
限制了面部潜在特征和素颜图像潜在特征间的距离。
域内损失和域间损失旨在确保化妆后图像和卸妆图像在化妆和非化妆域的区别:
域内损失:
为了让参考图像的面部潜在向量应该接近非化妆域,化妆后的潜在向量应该接近化妆域,使用所有非化妆图像的平均潜在向量表示非化妆域的质心,使用所有化妆图像的平均潜在向量表示化妆域的质心。
域间损失:
有效地清晰地分解面部潜在向量和化妆潜在特征,
计算两个潜在向量 A 和 B 之间的相似度:
化妆损失函数提取化妆特征:
假设人脸图像的潜在特征由面部特征和化妆特征组成,去除五官后,剩下的就是妆容了,如 Glow[1] 所示,可以通过操纵图像的潜在特征来提取属性。
所有化妆图像的平均潜在向量与所有未化妆图像的平均潜在向量的差值表示从非化妆潜在向量到化妆潜在向量的方向
循环一致性损失将面部和化妆信息作为输入特征进行维护:
为了保持面部和妆容信息,在潜在空间中还设计了两个循环一致性损失。
总损失:
ℷ 表示权重
结果:
首先使用Glow将图像转换为潜在空间并计算化妆和非化妆潜在域的质心,
之后,我们使用 Adam 优化器通过损失总方程中的目标函数训练变换矩阵W,这是随机梯度下降过程的经典扩展,以基于训练数据迭代更新模型权重。
[1] Kingma D P , Dhariwal P . Glow: Generative Flow with Invertible 1x1 Convolutions[J]. 2018.
论文BeautyGlow: On-Demand Makeup Transfer Framework With Reversible Generative Network(2019,妆容迁移)相关推荐
- 【基础论文笔记二】Transfer Learning with Dynamic AdversarialAdaptation Network(2019 ICDM)动态对抗适应网络的迁移学习论文笔记
背景 现有的对抗性领域自适应方法要么学习单个领域鉴别器来对齐全局源和目标分布,要么关注基于多个鉴别器的子域对齐.然而,在实际应用中,域之间的边际(全局)分布和条件(局部)分布对适应的贡献往往不同.在本 ...
- 论文Makeup Like a Superstar: Deep Localized Makeup Transfer Network(2016,妆容迁移,基于数据库匹配)
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 ...
- 【论文解读】CVPR 2021 妆容迁移 论文解读Spatially-invariant Style-codes Controlled Makeup Transfer
[论文解读]CVPR 2021 妆容迁移 论文解读 Spatially-invariant Style-codes Controlled Makeup Transfer 摘要 方法特点 实现方法 公式 ...
- 【论文笔记】An Unsupervised Style Transfer Framework for Profanity Redaction
Towards A Friendly Online Community: An Unsupervised Style Transfer Framework for Profanity Redactio ...
- 人像美妆---妆容迁移算法研究(Makeup transfer)
对于人像美妆算法,现在的美妆相机.玩美彩妆之类的app已经做的比较成熟了,但是具体算法,基本网络上是杳无可查,今天本人介绍一种自动的人像美妆算法----(Makeup Transfer)妆容迁移 妆容 ...
- <CVPR2020 Oral>AI妆容迁移: Pose-Robust Spatial-Aware GAN for Customizable Makeup Transfer
写在前面: 跟朋友讨论的时候,发现妆容迁移也有挺大的市场,看到一篇关于这个的介绍文,学习一下- 论文地址: https://arxiv.org/pdf/1909.06956.pdf 这篇论文是CVPR ...
- [IJCAI2016]Makeup Like a Superstar: Deep Localized Makeup Transfer Network
标题:Makeup Like a Superstar: Deep Localized Makeup Transfer Network 链接:https://arxiv.org/pdf/1604.071 ...
- 论文阅读”NCAGC: A Neighborhood Contrast Framework forAttributed Graph Clustering“(arxiv)
论文标题 NCAGC: A Neighborhood Contrast Framework for Attributed Graph Clustering 论文作者.链接 作者:Tong Wang, ...
- 【论文阅读】24-USAC: A Universal Framework for Random Sample Consensus
[论文阅读]24-USAC: A Universal Framework for Random Sample Consensus 0.basic info 1. standard RANSAC 1.1 ...
- 读论文(二):HMB-SSD: Framework for Efficient Exploiting of the Host Memory Buffer in the NVMe SSD
读论文(二):HMB-SSD: Framework for Efficient Exploiting of the Host Memory Buffer in the NVMe SSD 问题背景 提出 ...
最新文章
- 【Qt】qt打印文件名、函数名、行号
- Java Learning:并发中的同步锁(synchronized)
- Android下HelloWorld项目的R.java文件介绍
- #51CTO学院四周年# 51CTO与我的大学生活
- MFC版链表实现稀疏多项式相加减
- 连接linux工具Mtr,Linux常用网络工具:路由扫描之mtr
- 鸿蒙战略看点,鸿蒙OS四大看点详解!华为的野心不止手机,而是“一统江湖”...
- python中实参必须是常量吗_7 python函数参数(必须参数、可变参数、关键字参数)...
- 2021最新对比学习(Contrastive Learning)在各大顶会上的经典必读论文解读
- 关于起点中文网字体反爬的解决方法——以阅读指数榜为例
- 一种定位激光在摄像头画面中位置的方法(附安卓源码)
- 计算机刷bios版本,主板刷bios的6种方法,电脑刷bios方法-
- Product UVA - 10106(大数乘法)
- 结构化查询语句简称mysql_整理MySql常用查询语句
- []*T *[]T *[]*T 傻傻分不清楚
- 升级最快双核 小米1S手机开箱多图赏析
- RabbitMQ ACK消息确认机制 快速入门
- 鼻炎的自我疗法【实用总结】
- 照片怎样变漫画图片?建议收藏这些方法
- 华为董事会名单大曝光:孙亚芳任正非等13名董事
热门文章
- 【报告分享】2020年K12在线教育行业广告策略用户调研报告(附下载)
- android 恢复出厂设置原理,Android恢复出厂设置流程分析【Android源码解析十】
- 手机浏览器 html编辑器,vue移动端富文本编辑器vue-html5-editor
- Flex弹性布局详细介绍
- echarts 半圆形进度条
- MyEclipse2015破解安装与使用
- Java必须要掌握的基本问题
- ssh关闭linux的网卡,linux操作系统修改网卡mac地址 ssh -X
- iexplore.exe
- Type-C PD协议取电SINK受电端9V12V15V20V