标题:BeautyGAN: Instance-level Facial Makeup Transfer with DeepGenerative Adversarial Network
本文主要的思路是区别对待域迁移和个体迁移。对于域的迁移使用cycleGAN,对于个体的迁移使用pixel level histogram,最后再使用identity loss来进一步保留个人特征。最大的特色就是引入了cycleGAN和pixel level histogram。
整体结构很简单,就是把原始图和参考图一起丢到generator中,让generator对调两个图像之间的妆容。然后再将两张图放回generator,再次对调妆容,从而可以和最初始的两张图做重构损失 。
域间迁移-domain level transfer
cycle consistency loss
如上面表述的那样,就是将生成的结果再次放回生成器,然后与输入图像做像素间的重构损失。这可以间接的保证域到域迁移的准确性。
perceptual loss
这个感官损失是指将同一人的妆前妆后图一起丢到VGGnet中,然后通过对输出的语义向量做损失从而保证身份的一致性
个体间迁移-instance level transfer
histogram loss
这是先计算参考面部(排除背景和头发区域)的像素颜色直方图分布,然后要求生成的妆容也符合此分部。这保证了整体颜色的相似性。
makeup loss
这是将面部先做语义分割,分成底妆,口红和眼影,然后按照Makeup Like a Superstar中的方法对每个区域做颜色损失。