[ACMMM2018]BeautyGAN: Instance-level Facial Makeup Transfer with DeepGenerative Adversarial Network

标题：BeautyGAN: Instance-level Facial Makeup Transfer with DeepGenerative Adversarial Network

链接：https://dl.acm.org/doi/pdf/10.1145/3240508.3240618?casa_token=Gij7zl7wk94AAAAA:VcW7nvDIx_asp4_Cna2Ev3Xrx6Lg2onMnuAYRnlUfAph3Oh4ky50FVmH3WNCgSTISIzSjjc3hICJBA

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。