BeautyGAN: Instance-level Facial Makeup Transfer with Deep Generative Adversarial Network（2018，妆容迁移）

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感知损失和循环一致性损失。

贡献：

1. 通过双输入/输出对抗生成网络实现自动化妆迁移

2. 通过在局部区域上应用像素级直方图实现实例级风格迁移，该方法可以应用到其他的图像迁移任务中

3. 建立了一个新的化妆品数据集（3834张图片）

模型和损失函数：

网络由一个生成器G和两个鉴别器DA、DB组成

传统方法：将图像分解为三层（面部结构、颜色、皮肤细节），将参考图人脸扭曲到目标图像后进行每一层迁移

深度学习：采用多个独立网络对化妆品进行个性化处理

 缺点：生成图像质量有待提高，需要大量的训练数据

优点：实现了化妆图像和非化妆图像的妆容迁移，该方法可以应用到其他的图像迁移任务中