本文提出了一种新颖的深度本地化化妆转移网络，可自动为女性推荐最合适的化妆品，并在她的脸上合成化妆品，具有完整的功能，包括化妆品特定功能，局部应用，产生自然的外观结果，控制化妆深度，与使用Guo和Sim，2009年的方法及NerualStyle的两个变量相比，我们的网络表现更好。

Apr, 2016

本文提出一种新的光场捕捉和处理方法，用于获取面部散射反照率图像，并成功构建了第一个可塑形面部反照率模型。该模型可作为Basel Face Model或FLAME的材质模型的替代品，在光谱校准的线性sRGB空间中建立，可用于典型相机拍摄的图片的反渲染和3D MM拟合。

Apr, 2020

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

该研究提出了一种基于UNet分割技术和回归模型的面部毛孔变化模拟方法，通过通过收集临床试验的面部图像建立数据集，并通过滑动窗口机制来处理数据，该方法为未来面部皮肤模拟和护肤品研发提供了新的思路。

Feb, 2023

本研究提出了一种名为DermSynth3D的新型框架，它将皮肤病模式与人类主体的 3D 网格相融合，并使用可微分渲染器从不同的摄像机视点在各种背景场景下生成 2D 图像。DermSynth3D可以为各种皮肤病学任务创建自定义数据集，该数据集在训练深度学习模型时表现良好。

May, 2023

我们的研究主要关注在负责任的美容产品推荐中的挑战，特别是涉及将产品颜色与人的肤色进行比较，比如粉底和遮瑕产品。我们引入了一个机器学习框架用于光照评估，通过将图像分类为良好或恶劣的光照条件，为用户提供相机拍照时的实时反馈，从而改进了不同肤色的产品推荐。

Sep, 2023

通过使用Diffusion-based Data Amplifier (DDA)作为Data Amplify Learning (DAL)的核心思想，结合一个名为TinyBeauty的紧凑化妆模型，我们提出了一种全新的学习范式来解决当前化妆模型的监督和面部提示的挑战，以实现低成本部署化妆模型在移动设备上的应用。DAL能够以仅使用少数标注图像即可实现像素级准确监督，而TinyBeauty只需80K个参数即可实现最先进的性能，并在iPhone 13上获得了惊人的推理速度，高达460帧/秒。我们广泛的实验证明，DAL可以仅使用5个图像对产生具有极高竞争力的化妆模型。

Mar, 2024

通过引入两种化妆先验模型(基于PCA和基于StyleGAN2的模型)，我们有效地解决了先前方法在鲁棒地估计化妆方面所面临的挑战，尤其是处理自遮挡面部的情况。实验中，我们证明了我们的方法在降低计算成本方面有数倍的优势，并提高了化妆估计的准确性，在3D面部化妆应用中具有广泛的优势，如3D化妆面部重建、用户友好的化妆编辑、化妆转移和插值。

Mar, 2024

本研究针对皮肤影像AI技术开发中数据集获取难题，提出了S-SYNTH，这是一种知识驱动、可适应的开源皮肤仿真框架。通过利用解剖启发的多层多组分皮肤模型，该框架能够快速生成合成皮肤和数字图像，研究表明合成数据在皮肤病变分割AI模型的开发与评估中结果与真实图像相似，从而减轻了现有数据集的偏见和局限性。

Jul, 2024

本研究解决了面部皱纹检测中手动分割困难和主观性带来的不一致性问题。通过构建第一个公开的面部皱纹数据集`FFHQ-Wrinkle`以及提出的双阶段训练策略，本文显著提升了皱纹分割的准确性和效果，促进了相关算法的发展。此研究的显著发现为美容皮肤科提供了一种有效的自动皱纹检测方法，具有广泛的应用潜力。

Aug, 2024