我们介绍了一种名为 Stable-Makeup 的新型基于扩散的化妆迁移方法，能够鲁棒地将各种真实世界的化妆应用到用户提供的人脸上。该方法通过预训练的扩散模型和 Detail-Preserving（D-P）化妆编码器来编码化妆细节，并利用内容和结构控制模块来保留源图像的内容和结构信息。我们的方法还通过在 U-Net 中添加化妆交叉注意力层，可以准确地将细节化妆转移到源图像的相应位置。Stable-Makeup 通过内容结构解耦训练可以保持源图像的内容和面部结构。此外，我们的方法表现出较强的鲁棒性和泛化能力，可应用于交叉领域的化妆迁移、以化妆为导向的文本到图像生成等多个任务。大量实验表明，我们的方法在现有化妆迁移方法中取得了最先进的结果，并在多个相关领域具有广泛的潜在应用。

Mar, 2024

这项工作介绍了一个全面的化妆迁移框架，可以处理妆容的所有元素，并引入了新的真实和合成极限妆容数据集进行系统的训练和评估。实验结果表明，该框架在轻妆和极限妆上均取得了最先进的性能。

Apr, 2021

本文提出了 DMT (Disentangled Makeup Transfer)，这是一种统一的生成对抗网络，可实现不同场景的化妆技术转移，它包含了一个身份编码器和一个化妆编码器来解缠非化妆人脸的个人身份和化妆风格，可产生具备高质量和可控功能的化妆转移结果。

Jul, 2019

本研究旨在压缩面部化妆转换网络，通过协作蒸馏和核分解这两种方法进行模型压缩，从而提高模型运行效率，试验结果表明，这种压缩方法可以有效地应用于美妆转换领域。

Sep, 2020

本文提出一种 Adv-Makeup 统一的对抗人脸生成方法，实现在黑盒环境下的不可察觉和可转移攻击，它使用任务驱动的化妆生成方法和精细的元学习对抗攻击策略，能够在数字和物理环境下生成更为不可察觉的攻击，并显著提高黑盒环境下的攻击成功率。

May, 2021

本文介绍了一个自动个性化的面部化妆推荐和合成系统，利用面部特征、属性和妆容属性的模型，提供了适合用户的妆容推荐，并将推荐的化妆属性与原始面部图像精细地合成。

Sep, 2017

本文提出了一种基于 Facial Attribute Transformer（FAT）和其空间变体 Spatial FAT 的高质量化妆转移方法，利用 Transformer 模型语义对源面部和参考面部之间的对应关系和相互作用进行建模，进而准确地估计和转移面部属性，同时通过集成 Thin Plate Splines（TPS），Spatial FAT 还可以转移几何属性，而且在颜色保真度和空间变换方面表现优异，经过严格的定性和定量实验验证了所提出方法的有效性和优越性。

Apr, 2021

本文提出了一种使用双层对抗网络 (BLAN) 进行学习的方法，以解决化妆对面部识别的负面影响，首先从化妆样本中生成不化妆的图像，再进行进一步的验证，实验结果证明我们的方法能够达到业界最高的识别准确率，并且能够产生高质量的真实不化妆图像。

Sep, 2017

在该研究中，我们提出了 Pose and expression robust Spatial-aware GAN (PSGAN)，它通过 Makeup Distill Network 来将参考图像的妆容分解为两个空间感知的妆容矩阵，使用 Attentive Makeup Morphing 模块指定从参考图像到源图像的学习方式，并通过 Makeup Apply Network 连接源图像和妆容矩阵来进行妆容转移。实验结果表明，我们提出的 PSGAN 不仅在大幅度姿态和表情变化的情况下取得了最新的研究成果，而且还能够进行部分和颜色可控的妆容转移。

Sep, 2019

本文提出了一种名为 AMT-GAN 的新型人脸保护方法，旨在构建具有更强的黑盒传递性和更好的视觉质量的对抗性人脸图像，通过引入新的正则化模块以及联合训练策略来解决对抗噪声和化妆品转移中的循环一致性损失之间的冲突，实现攻击能力和视觉变化之间的理想平衡。广泛的实验验证了该方法能够保持较高的视觉质量，同时在 Face ++，Aliyun 和 Microsoft 等商业 FR API 上实现更高的攻击成功率。

Mar, 2022