論文の概要: Automated Material Properties Extraction For Enhanced Beauty Product
Discovery and Makeup Virtual Try-on
- arxiv url: http://arxiv.org/abs/2312.00766v1
- Date: Fri, 1 Dec 2023 18:41:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 13:36:48.195889
- Title: Automated Material Properties Extraction For Enhanced Beauty Product
Discovery and Makeup Virtual Try-on
- Title（参考訳）: 美容製品発見とメイクアップ仮想試作品のための材料特性の自動抽出
- Authors: Fatemeh Taheri Dezaki, Himanshu Arora, Rahul Suresh, Amin
Banitalebi-Dehkordi
- Abstract要約: 我々の研究は、複数のカスタマイズされた機械学習モデルを使用して、化粧品画像から重要な素材属性を抽出する自動パイプラインを導入している。
口紅やファウンデーションなどの他のメークアップカテゴリに拡張して,アプローチの適用性を示す。
提案手法は, クロスカテゴリー製品発見における有効性を示し, 特に, 特定の衣服に完全に適合する化粧品を推奨する。
- 参考スコア（独自算出の注目度）: 11.214610032800396
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The multitude of makeup products available can make it challenging to find
the ideal match for desired attributes. An intelligent approach for product
discovery is required to enhance the makeup shopping experience to make it more
convenient and satisfying. However, enabling accurate and efficient product
discovery requires extracting detailed attributes like color and finish type.
Our work introduces an automated pipeline that utilizes multiple customized
machine learning models to extract essential material attributes from makeup
product images. Our pipeline is versatile and capable of handling various
makeup products. To showcase the efficacy of our pipeline, we conduct extensive
experiments on eyeshadow products (both single and multi-shade ones), a
challenging makeup product known for its diverse range of shapes, colors, and
finish types. Furthermore, we demonstrate the applicability of our approach by
successfully extending it to other makeup categories like lipstick and
foundation, showcasing its adaptability and effectiveness across different
beauty products. Additionally, we conduct ablation experiments to demonstrate
the superiority of our machine learning pipeline over human labeling methods in
terms of reliability. Our proposed method showcases its effectiveness in
cross-category product discovery, specifically in recommending makeup products
that perfectly match a specified outfit. Lastly, we also demonstrate the
application of these material attributes in enabling virtual-try-on experiences
which makes makeup shopping experience significantly more engaging.
- Abstract（参考訳）: 多数のメイク製品は、望ましい属性の理想的なマッチングを見つけるのを困難にしている。
製品発見のためのインテリジェントなアプローチは、より便利で満足できるメイクアップショッピング体験を強化するために必要である。
しかし、正確で効率的な製品発見を可能にするには、色やフィニッシュタイプといった詳細な属性を抽出する必要がある。
本研究では,複数のカスタマイズされた機械学習モデルを用いて,メークアップ製品画像から必須素材属性を抽出する自動パイプラインを提案する。
私たちのパイプラインは多用途で、様々な化粧品を扱えます。
パイプラインの有効性を示すために,アイシャドー製品(シングルとマルチシェード製品の両方)について,多種多様な形状,色,フィニッシュタイプで知られている挑戦的なメークアップ製品について,広範な実験を行った。
さらに,口紅やファウンデーションなど他の化粧品カテゴリにも適用可能であること,美容製品の適合性と有効性を示すことで,アプローチの適用性を実証した。
さらに,信頼性の観点から人間のラベル付け手法よりも機械学習パイプラインが優れていることを示すため,アブレーション実験を行った。
提案手法は,クロスカテゴリー製品発見における有効性を示し,特に,特定の衣服に完全に適合する化粧品を推奨する。
最後に,メイクアップショッピング体験をより魅力的にする仮想試用体験を実現するために,これらの素材属性の応用を実証する。
関連論文リスト
- Beauty Beyond Words: Explainable Beauty Product Recommendations Using Ingredient-Based Product Attributes [7.9177626516199435]
本稿では,美容成分に基づくエンド・ツー・エンドの教師あり学習を用いて,美容特性を抽出するシステムを提案する。
私たちのシステムに対する重要な洞察は、新しいエネルギーベースの暗黙的モデルアーキテクチャである。
この暗黙的なモデルアーキテクチャは、正確性、説明可能性、堅牢性、柔軟性という面で大きなメリットをもたらします。
論文 参考訳（メタデータ） (2024-09-20T16:36:46Z) - Stable-Makeup: When Real-World Makeup Transfer Meets Diffusion Model [35.01727715493926]
現在のメークアップ転送方式は単純なメイクスタイルに限られており、現実のシナリオでは適用が困難である。
本研究では,多様な現実世界の化粧品を堅牢に転写できる新しい拡散型化粧品転写法であるStable-Makeupを紹介する。
論文 参考訳（メタデータ） (2024-03-12T15:53:14Z) - BeautyREC: Robust, Efficient, and Content-preserving Makeup Transfer [73.39598356799974]
本稿では,Robust,Efficient,Component-specific makeup transfer法(略して BeautyREC)を提案する。
参照画像のメイクスタイルを直接対応するコンポーネントに転送するコンポーネント固有の対応。
補助として、Transformerの長距離視覚依存性を導入して、効率的なグローバルメイク転送を実現する。
論文 参考訳（メタデータ） (2022-12-12T12:38:27Z) - ItemSage: Learning Product Embeddings for Shopping Recommendations at
Pinterest [60.841761065439414]
Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。
このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
論文 参考訳（メタデータ） (2022-05-24T02:28:58Z) - Deep Collaborative Multi-Modal Learning for Unsupervised Kinship
Estimation [53.62256887837659]
キンシップ検証は、コンピュータビジョンにおける長年の研究課題である。
本稿では,顔特性に表される基礎情報を統合するために,新しい協調型多モーダル学習(DCML)を提案する。
我々のDCML法は、常に最先端のキンシップ検証法よりも優れている。
論文 参考訳（メタデータ） (2021-09-07T01:34:51Z) - Product1M: Towards Weakly Supervised Instance-Level Product Retrieval
via Cross-modal Pretraining [108.86502855439774]
弱教師付きマルチモーダル・インスタンスレベルの製品検索を目的とした,より現実的な設定について検討する。
実世界のインスタンスレベルの検索において,最も大規模なマルチモーダル化粧品データセットであるProduct1Mをコントリビュートする。
ケースレベルの予測検索(CAPTURE)のためのクロスモーダル・コントラサシブ・プロダクト・トランスフォーマーという新しいモデルを提案する。
論文 参考訳（メタデータ） (2021-07-30T12:11:24Z) - PSGAN++: Robust Detail-Preserving Makeup Transfer and Removal [176.47249346856393]
PSGAN++は、細部保存メイク転送と効果的なメイク除去の両方を実行することができる。
PSGAN++はメイクアップ・ディスティル・ネットワークを使用してメイクアップ情報を抽出する。
PSGAN++は化粧品の除去のためにアイデンティティ・ディスティル・ネットワーク(Identity Distill Network)を適用し、ウィットメイクアップ画像のID情報をアイデンティティ・マトリックスに埋め込む。
論文 参考訳（メタデータ） (2021-05-26T04:37:57Z) - Lipstick ain't enough: Beyond Color Matching for In-the-Wild Makeup
Transfer [20.782984081934213]
上記のすべてのメークコンポーネントを扱える総合的なメークトランスファーフレームワークを提案します。
改良されたカラー転送ブランチと新しいパターン転送ブランチで構成され、すべてのメイクアップ特性を学習する。
私達のフレームワークはライトおよび極度の構造の様式の芸術の性能の状態を達成します。
論文 参考訳（メタデータ） (2021-04-05T12:12:56Z) - MakeupBag: Disentangling Makeup Extraction and Application [0.0]
MakeupBagは自動メイクスタイル転送のための新しい方法である。
抽出した化粧スタイルのカスタマイズと画素特異的な修正が可能である。
比較分析では、MakeupBagは現在の最先端のアプローチより優れていることが示されている。
論文 参考訳（メタデータ） (2020-12-03T18:44:24Z) - Cosmetic-Aware Makeup Cleanser [109.41917954315784]
顔認証は、一対の顔画像が同一のアイデンティティに属するかどうかを判定することを目的としている。
最近の研究では、顔の化粧が検証性能に悪影響を及ぼすことが明らかになっている。
本稿では,異なるポーズや表情で顔の化粧を除去する意味認識型化粧清浄器(SAMC)を提案する。
論文 参考訳（メタデータ） (2020-04-20T09:18:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。