传统妆造迁移算法

基于实例的妆容迁移（Example-Based Cosmetic Transfer）

该方法需要成对的数据，比如下图，A和A*为成对的妆造前后实例图像，B为目标图像，B*为根据A的妆造进行迁移后的图像。一般需要四个步骤：

预处理

在妆容迁移前，首先用贝叶斯扣图（Bayesian matting）将眉毛和睫毛分离，然后对从原始图像中分离眉毛和睫毛后产生的孔洞进行修补，修补方式包括图像修复（image inpainting）和纹理合成（texture synthesis），然后利用独立成分分析（independent component analysis，ICA）将固有皮肤特征（如雀斑、痣或瑕疵）从实例面部图像A和A*中去除。最后将所有图像面部变形为标准面部。

妆容映射

妆容映射将人脸图像分解为颜色和光照两部分的乘积，通过计算妆造前后的光照密度对比图cp来完成迁移：，在各个像素点p 上，色彩混合表示式为：

外观修正

上面的方法需要示例图和目标图有完全相同的几何结构和光照，并且精确对齐才可以，但这基本是不可能的，因此还需要对它进行局部几何变换修正，即将示例图的二阶拉普拉斯信息映射到目标图中。

　拉普拉斯算子：是二阶微分线性算子，在图像边缘处理中，二阶微分的边缘定位能力更强，锐化效果更好，因此在进行图像边缘处理时，直接采用二阶微分算子而不使用一阶微分。

假设：由局部几何变化引起的外观变化可通过拉普拉斯算子获取，该算子用于计算某像素与其相邻像素的差异。

在该假设下，由妆容引起的几何外观变化可通过混合各个像素点p的a*p和bp近似表示，即局部拉普拉斯二阶导数估计为：，在给定β后，等式右端为确定值，此时需要修改bp*以满足上式对△bp*的约束，可以使用高斯-赛德尔（Gauss-Seidel）迭代求解。

眼睛迁移

睫毛和眉毛的浓妆效果需要更精细的处理，包括毛发的长度、颜色和密度。本文利用提取的眉毛和睫毛的蒙板a将图像B的眉毛和睫毛选区叠加到B*上，，实现眉毛和睫毛的转移。

该方法有几个重大的局限性：

(1) 要求肤色相近，背景单一，这限制了应用场景。

(2) 无法适应比较大的几何变换。

(3) 需要成对的妆造对比图进行训练，获取这样的数据需要很高的成本。

基于物理模型和非成对数据的算法

成对的妆造对比图获取代价高昂，《Digital Face Makeup by Example》方法则提出了人脸分层模型，不需成对的样本图，只需要输入两张图片，一张是目标图片I，一张是参考的样例化妆图片ε，其流程如下图。

该方法主要分为四步：

第一步：将I和ε进行人脸对齐。因为我们是在像素点级别进行迁移，所以人脸的对齐是很有必要的。文中人脸对齐采用了薄板样条函数(Thin Plate Spline，简称TPS)，这是一种在图像配准中很常见的插值方法。

第二步：对I和ε分别进行分解。文中将图片转换到CIELAB颜色空间，然后对图像进行了分层建模。L层被认为是光照层(lightness layer)，可以被分解为粗粒度脸部结构层(Face Structure)和细粒度皮肤细节层(Skin Detail)，具体的实现其实就是将lightness layer执行一个边缘保持的滤波操作(edge-preserving smoothing)得到large-scale layer，然后将lightness layer减去large-scale layer得到detail layer。剩下的两个通道a*和b*则被认为是颜色层。

第三步：将分解后的图像进行不同的处理，两幅皮肤细节层(Skin Detail)直接相加，颜色层使用一个alpha blending进行融合，对人脸结构中的高光和阴影部分则使用梯度进行迁移。

第四步：将得到的三部分组合到一起。注意到嘴唇化妆和脸部是很不一样的。在物理化妆中，嘴唇上的化妆品(如口红)通常会保留或突出嘴唇的质感，而不是像在面部皮肤上那样隐藏，处理方法是对原始图I中的每一个像素，从妆造图中搜索匹配的像素进行替换，此时会同时用到L通道的像素值和空间位置信息。

该方法原理清晰，不需要使用成对的数据，且不需要进行训练，但是需要输入图和妆造图进行精确的对齐，这限制了该类方法的实用性。实际上，传统的妆造迁移算法都无法避免这样的问题，它们对输入图的姿态以及光照非常敏感。

深度学习妆造迁移算法

基于GAN的妆造迁移算法

Github：https://github.com/Honlan/BeautyGAN

以商汤提出的BeautyGAN为代表，它输入两张人脸图片，一张无妆图，一张有妆图，模型输出换妆之后的结果，即一张上妆图和一张卸妆图。

BeautyGAN采用了经典的图像翻译结构，生成器G包括两个输入，分别是无妆图Isrc、有妆图Iref，通过编码器(encoder)、若干个残差模块(residual blocks)、解码器(decoder)组成的生成器G 得到两个输出，分别是上妆图IBsrc、卸妆图IAref，结构示意图如下图。

BeautyGAN使用了两个判别器DA和DB，其中DA用于区分真假无妆图，DB用于区分真假有妆图。

BeautyGAN整体loss由4部分loss组成，对抗loss（adversarial loss）,循环GAN loss（ cycle consistency loss）,感知loss（ perceptual loss） ,换妆约束loss（makeup constrain loss）。
其中，α = 1, β = 10,γ = 0.005 。

对抗loss（adversarial loss）：

循环GAN loss（ cycle consistency loss）：

为了消除迁移细节的瑕疵，将上妆图IBsrc和卸妆图IAref再次输入给G，重新执行一次卸妆和上妆，得到两张重建图Iresrc和卸妆图Ireref，此时通过循环损失(cycle consistency loss)约束一张图经过两次G变换后与对应的原始图相同。因为生成器的输入包含了一对图，所以与CycleGAN的不同之处在于这里使用了同一个生成器G，该损失用于维持图像的背景信息。

感知loss（ perceptual loss）：

上妆和卸妆不能改变原始的人物身份信息，这可以通过基于VGG模型的Perceptual loss进行约束，定义如下：

其中Cl，Hl，Wl分别是网络第l层的通道数，特征图高度和宽度。

换妆约束loss（makeup constrain loss）：

为了更加精确的控制局部区域的妆造效果，首先使用PSPNet 这样的分割模型，对人脸区域进行分割，即Face parsing 。可以分别提取出嘴巴，眼睛，人脸这3个部位。然后分别对这3个部位进行直方图Histogram loss的计算。

为什么要进行Face parsing操作？

背景和头发区域的像素和换妆是没有关系的。
人脸换妆不仅是一个全局的风格变换，更是人脸不同区域的独立风格的变换。

为什么要使用Histogram loss，而不是MSE loss?

If we directly adopt MSE loss on pixel-level histograms of two images, the gradient will be zero, owning to the indicator function, thus makes no contribution to optimization process. Therefore, we adopt histogram matching strategy that generates a ground truth remapping image in advance.

下面是一些效果图：