基于生成对抗网络的妆容风格迁移算法研究开题报告

全文总字数：4015字

1. 研究目的与意义（文献综述）

随着人们的生活水平的日益提高，人们对美的要求也越来越高，化妆品很好的满足了消费者的这一需求，起到了美化自身形象、修饰缺陷的作用。据调查结果显示：化妆品的销量呈逐年上升的趋势。为了选取适合的化妆品，用户通常会在实体店亲自试妆，在实际工作前，如果用户可以事先察看到妆容在脸上的效果会节省大量的人力物力，然而这在现实生活中是比较困难的。随着网络技术的普及与发展，妆容迁移这一问题取得了突破性进展，多种应用相继问世，如美图秀秀、taaz和dailymakever。然而这些工具都需要用户手动交互，并且只提供一定数量的固定化妆风格。

本毕业设计的目标是解决在女性在购买化妆品时由于需要亲自试妆带来的不便。旨在设计一种算法，通过该方法可以将一个参考图片上的妆容迁移到未化妆的人脸图片上，达到精确上妆的效果，同时保留面部特征，让广大女性朋友可以根据参考妆容更加便捷地挑选适合自己的化妆品。

现有的自动妆容迁移研究可以分为两类：一类是传统的图像处理方法，如图像梯度编辑和基于物理的操作，另一类是基于深度学习的方法，通常基于深度神经网络。[3]中提出的方法是将图像分解为三层：面部层、皮肤层和颜色层。此方法相比于先前的工作来说只需要提供一张图片（无需前后对比图片），而缺点是图片的面部必须是正面且直立的。[4]中介绍了一种自动编辑人像照片的方法，以使对象看起来像是参考照片中其他人的妆容。本文采用的是无监督学习方法，依赖于循环一致的生成对抗网络的新框架。与图像域转移问题不同，该样式转移问题涉及两个不对称函数：前向函数对基于示例的样式传输进行编码，而后向函数对样式进行去除。构建了两个耦合的网络来实现这些功能——一个转移化妆风格，另一个可以去除化妆，这样，其连续应用到输入照片的输出将与输入匹配。其缺点是在极端化妆风格上效果不佳，以及其去除网络无法还原原有的真实瑕疵。[6][7]提出了一种全自动的妆容推荐系统并将推荐妆容系统迁移至用户面部。[1]中提出一个双重输人/输出生成对抗网络实现了自动妆容迁移，实验表明该方法生成图片质量高于现有方法，通过计算局部区域的像素直方图损失成功实现了实例级迁移方法。并且该论文提供了一个庞大的数据集，为本课题提供了帮助和启发。

2. 研究的基本内容与方案

见上传附件

3. 研究计划与安排

1. 2020年1月11日-2020年1月31日 查看相关国内外文献

2. 2020年2月1日-2020年2月28日 针对性的学习编程语言、图像处理、深度学习方法知识；尝试实现已阅读文献中的方法；完成开题报告。

3. 2020年3月1日-2020年3月15日 搜集妆容数据，构建自己的妆容测试数据集；

4. 参考文献（12篇以上）

[1] li t, qian r, dong c, et al. beautygan: instance-level facialmakeup transfer with deep generative adversarial network[c]//2018 acmmultimedia conference on multimedia conference. acm, 2018: 645-653.

[2] goodfellow i, pouget-abadie j, mirza m, et al. generativeadversarial nets[c]//advances in neural information processing systems. 2014:2672-2680.

[3] guo d, sim t. digital face makeup by example[c]//2009 ieeeconference on computer vision and pattern recognition. ieee, 2009: 73-79.