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

本文介绍一种利用大量照片集合无监督学习给定输入的风格排名并选择一种多样性匹配的样式进行风格迁移，并提出一种新技术将选择的示例的全局色彩和色调转移到输入照片而避免产生常见的视觉伪影的技术。我们的风格选择和转移技术在广泛的输入摄影中产生引人入胜，无超出显示器的结果，并且用户研究表明我们的结果优于其他技术。

Nov, 2015

该文研究计算机视觉系统分析人类图像的种族差异，提出用比种族信息更客观的肤色注释来评估公平性能。作者发现当前肤色注释程序存在高度不一致性和不确定性，并且忽略了人类参与者和历史社会背景的地位问题。通过文献综述和注释实验，作者提出了肤色注释作为社会技术项目，并呼吁加强注释过程的设计、分析和文档记录。

May, 2023

提出了一种利用计算机色彩恒常性技术构建人工数据增强技术的方法，用于皮肤皮损分割和皮肤皮损分类的深度卷积神经网络训练中，以及在不使用任何外部皮肤图像集的情况下，在 ISIC 2017 挑战赛的背景下进行颜色归一化的方法。

Mar, 2017

本文通过一系列注释实验以验证了 MST 比例尺的作者可以可靠地标注皮肤色调，展示了不同地理区域的标注者所使用的 MST 类别的心态模型不同

May, 2023

本文提出了一种新的人像图像编辑方法，采用不对称条件 GAN 架构，支持几何、颜色、光和阴影的细粒度编辑。通过向生成器提供可以直接由用户编辑的条件输入来实现编辑，例如边缘图、颜色板、滑块和蒙版。该方法具有较好的编辑效果，并且支持几何、颜色、阴影、光的多种编辑方式，同时也支持从手绘草图到图像的转换和颜色转换等任务。

Apr, 2022

本研究提出了一种基于深度学习的图像增强方法，使用单一模型 StarEnhancer 覆盖多种色调样式，可将图像从一种色调样式转换为另一种，具有高时效性和优秀的交互性能。

Jul, 2021

该研究提出了一种肖像风格化框架，结合了一个裸露内容识别模块（NCIM）和一个肤色感知肖像风格化模块（STAPSM），成功地解决了肖像风格化中的输入内容过滤和肤色特征表达的挑战，满足了实际应用的关键需求。

Mar, 2024

该论文提出利用有监督和无监督学习的方式解决图像颜色增强问题，并通过参数化颜色变换技术提高了图像的质量，同时使用对抗生成网络实现了无配对数据的颜色增强。在 MIT-Adobe FiveK 基准测试上，该方法在有配对和无配对图像上都实现了最先进的结果，并通过 20 世纪早期的照片和暗视频帧的应用展示了该方法的泛化能力。

Dec, 2019

本研究提出了一种个性化图像增强方法，使用遮蔽风格建模技术为每个用户个性化地增强输入图像并在 Flickr 数据集上进行训练，实现了基于内容的个性化图像增强，并在用户研究中证明了优于其他方法的效果。

Jun, 2023