|AI不止能美颜，美妆迁移这样做 | 赠书( 五 )
得到A之后 ， 就可以对γ和β进行变换 ， 计算方法如下：
本文插图
之后将γ'和β'沿着通道维度扩充后得到 ， 它们的大小都是C×H×W 。
De-makeup & Re-makeup network是一个编解码结构 ， 编码器部分与Makeup distillation network是相同的结构 ， 不过不共享参数 。 提取出来的特征与矩阵进行仿射变换得到 ， 计算方式如下：
本文插图
Vx'作为De-makeup & Re-makeup network的解码器部分的输入 ， 完成妆造迁移 。
下面展示了一些和BeautyGAN的对比结果 ， 证明大姿态下的优势 。
本文插图
[6] Jiang W, Liu S, Gao C, et al. PSGAN: Pose-Robust Spatial-Aware GAN for Customizable Makeup Transfer[J]. arXiv preprint arXiv:1909.06956, 2019.
本文插图
人脸妆造数据集
研究人脸化妆问题自然需要相应的数据集 ， 而且抗妆造干扰的人脸识别也是一种具有挑战性的问题 ， 具有较大的研究意义 ， 下面我们简单介绍一下已有的妆造数据集 。
5.1. 妆造数据集
数据集地址：http://www.antitza.com/makeup-datasets.html 。
本文插图
发布于2012年 ， 这是一个女性面部化妆数据集 ， 可用于研究化妆对面部识别的影响 。 总共包括4个子数据集：
YMU（YouTube化妆）：这是从YouTube视频化妆教程中获取的面部图像 ， YouTube网址为http://www.antitza.com/URLs_YMU.txt 。
VMU（虚拟化妆）：这是将从FRGC数据库中采集的高加索女性受试者的面部图像 ， 使用
公开的软件来合成的虚拟化妆样本 ， 软件来自www.taaz.com 。
MIW：从互联网获得有化妆和没有化妆的受试者的前后对比面部图像 。
MIFS：化妆诱导面部欺骗数据集：这是从YouTube化妆视频教程的107个化妆视频中获取 。 每一组包含3张图片 ， 其中一张图片是目标的化妆前的主体图像 ， 一个是化妆后的 ， 另一个是其他人化同样的妆试图进行欺骗的图片 。
2. 妆造迁移数据集
数据集地址：http://liusi-group.com/projects/BeautyGAN 。
本文插图
发布于2018年 ， 包括3834张女性人脸图 ， 其中1115张无妆造人脸 ， 2719张有妆造人脸 。 妆造类型包括不同程度的烟熏妆（smoky-eyes makeup style）、华丽妆（flashy makeup style）、复古妆（Retro makeup style）、韩式妆（Korean makeup style）及日式妆（Japanese makeup style） 。
福利
以上内容更详细的介绍请参见《深度学习之人脸图像处理：核心算法与案例实践》 ， 这是一本讲述在人脸各个方向中的深度学习算法的书籍 ， 同时配套有大量实战案例 。
?章节目录
第1章人脸图像和特征基础
第2章深度学习基础
第3章人脸数据集
第4章人脸检测
第5章人脸关键点检测
第6章人脸识别
第7章人脸属性识别
第8章人脸属性分割
第9章人脸美颜和美妆
第10章人脸三维重建
第11章人脸属性编辑
【|AI不止能美颜，美妆迁移这样做 | 赠书】 ?获取方式
推荐阅读
- 雷军|雷军又快人一步！华为、小米都有智能工厂，但小米却不止于此
- vivo|美不等于“美颜” 比你还懂自拍是怎样炼成的？
- Realme手机|不止175g重量 realme X7系列预热：全系标配65W闪充
- |美不等于“美颜” 比你还懂自拍的vivo S7是怎样炼成的？
- 顺风车|哈啰顺风车乱象不止转单：不符合资质花三百就能代办成为司机
- 荣耀手机|宣传低调，荣耀20销量依旧疯狂，网友：这些理由爱它不止三千遍
- 固态|固态U盘和普通U盘的差距不止是强上好几倍这么简单：爱国者 USB3.1固态U盘U391
- 富士康|iPhone主要零部件供应商全汇总 不止三星索尼富士康
- AI人工智能|华为MateBook X力证第三代移动办公不止要轻薄更要智慧
- 华为笔记本|华为MateBook X力证第三代移动办公不止要轻薄更要智慧