Fugu-MT 論文翻訳(概要): Gorgeous: Create Your Desired Character Facial Makeup from Any Ideas

論文の概要: Gorgeous: Create Your Desired Character Facial Makeup from Any Ideas

arxiv url: http://arxiv.org/abs/2404.13944v1
Date: Mon, 22 Apr 2024 07:40:53 GMT
ステータス: 処理完了
システム内更新日: 2024-04-23 14:55:25.829087
Title: Gorgeous: Create Your Desired Character Facial Makeup from Any Ideas
Title（参考訳）: Gorgeous:どんなアイデアからでも顔の顔を作る
Authors: Jia Wei Sii, Chee Seng Chan,
Abstract要約: $Gorgeous$は、新しい拡散ベースのメイクアップメソッドである。参照画像に顔が存在する必要はない。 $Gorgeous$は、選択したテーマの参照画像にインスパイアされた、特徴的な顔のメイクを効果的に生成できる。
参考スコア（独自算出の注目度）: 9.604390113485834
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Contemporary makeup transfer methods primarily focus on replicating makeup from one face to another, considerably limiting their use in creating diverse and creative character makeup essential for visual storytelling. Such methods typically fail to address the need for uniqueness and contextual relevance, specifically aligning with character and story settings as they depend heavily on existing facial makeup in reference images. This approach also presents a significant challenge when attempting to source a perfectly matched facial makeup style, further complicating the creation of makeup designs inspired by various story elements, such as theme, background, and props that do not necessarily feature faces. To address these limitations, we introduce $Gorgeous$, a novel diffusion-based makeup application method that goes beyond simple transfer by innovatively crafting unique and thematic facial makeup. Unlike traditional methods, $Gorgeous$ does not require the presence of a face in the reference images. Instead, it draws artistic inspiration from a minimal set of three to five images, which can be of any type, and transforms these elements into practical makeup applications directly on the face. Our comprehensive experiments demonstrate that $Gorgeous$ can effectively generate distinctive character facial makeup inspired by the chosen thematic reference images. This approach opens up new possibilities for integrating broader story elements into character makeup, thereby enhancing the narrative depth and visual impact in storytelling.
Abstract（参考訳）: 現代の化粧の受け渡しは、主に顔から別の顔への化粧の複製に焦点を合わせ、視覚的なストーリーテリングに不可欠な多彩で創造的なキャラクターの化粧を作るのに使用をかなり制限した。このような手法は通常、ユニークさと文脈的関連性の必要性に対処できず、特に参照画像の既存の顔の化粧に大きく依存するため、キャラクターやストーリーの設定と一致しない。このアプローチはまた、完璧にマッチした顔のメイクスタイルを創り出そうとする際、テーマ、背景、必ずしも顔が特徴でないプロップといった様々なストーリー要素にインスパイアされたメイクデザインの作成をさらに複雑化する上で、重要な課題も示している。この制限に対処するために、新しい拡散ベースのメイクアプリケーションである$Gorgeous$を紹介します。従来のメソッドとは異なり、$Gorgeous$は参照イメージに顔の存在を必要としない。その代わりに、最小限の3〜5枚の画像から芸術的なインスピレーションを受け取り、これらの要素を顔に直接、実用的なメイクアプリケーションに変換する。我々の総合的な実験により、$Gorgeous$は、選択した主題参照画像にインスパイアされた特徴的な顔のメイクを効果的に生成できることが示されている。このアプローチは、より広いストーリー要素をキャラクターメイクに統合する新たな可能性を開き、ストーリーテリングにおける物語の深さと視覚的影響を高める。

関連論文リスト

BeautyBank: Encoding Facial Makeup in Latent Space [2.113770213797994]
素顔とメイク顔のパターン特徴をアンタングルする新しいメイクアップエンコーダであるBeautyBankを提案する。本手法は, 化粧品の形状を高次元空間にエンコードし, 化粧品の復元に必要な細部を保存する。また, 詳細な化粧品の保存性を高めるために, プログレッシブ・メイクアップ・チューニング(PMT)戦略を提案する。
論文参考訳（メタデータ） (2024-11-18T01:52:31Z)
DiffAM: Diffusion-based Adversarial Makeup Transfer for Facial Privacy Protection [60.73609509756533]
DiffAMは、基準画像から対向的な化粧を施した高品質な顔画像を生成するための新しいアプローチである。実験の結果、DiffAMはブラックボックス設定で12.98%上昇し、視覚的品質の向上と攻撃の成功率の向上を実現している。
論文参考訳（メタデータ） (2024-05-16T08:05:36Z)
FlashFace: Human Image Personalization with High-fidelity Identity Preservation [59.76645602354481]
FlashFaceを使うと、ユーザーは自分の写真を簡単にパーソナライズできる。我々のアプローチは、高忠実度ID保存とより良い指示に従うことによって、既存の人間の写真カスタマイズ方法と区別できる。
論文参考訳（メタデータ） (2024-03-25T17:59:57Z)
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)
When StyleGAN Meets Stable Diffusion: a $\mathscr{W}_+$ Adapter for Personalized Image Generation [60.305112612629465]
テキストと画像の拡散モデルは、多種多様で高品質でフォトリアリスティックな画像を生成するのに優れている。本稿では,拡散モデルのための拡張されたアイデンティティ保存とアンタングル化を実現するために,StyleGAN 埋め込み空間 $mathcalW_+$ の新たな利用法を提案する。提案手法は,即時記述に適合するだけでなく,一般的なスタイルGAN編集方向に対応可能なパーソナライズされたテキスト・ツー・イメージ出力を生成する。
論文参考訳（メタデータ） (2023-11-29T09:05:14Z)
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)
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)
SLGAN: Style- and Latent-guided Generative Adversarial Network for Desirable Makeup Transfer and Removal [44.290305928805836]
人間の顔の写真に化粧を施すために、生成的敵ネットワークを使用する場合、考慮すべき5つの特徴がある。いくつかの関連研究が提案されており、主にGAN(Generative Adversarial Network)を用いている。本稿では,革新的なスタイルと潜在誘導型GAN(SLGAN)でギャップを埋める。
論文参考訳（メタデータ） (2020-09-16T08:54:20Z)
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)
Local Facial Makeup Transfer via Disentangled Representation [18.326829657548025]
そこで本稿では,顔画像の個人識別,リップメイクスタイル,アイメイクスタイル,フェイスメイクスタイルの4つの独立したコンポーネントに分割する,新しい対向ディエンタングネットワークを提案する。我々の手法は、最先端の手法と比較して、より現実的で正確なメイク転送結果を生み出すことができる。
論文参考訳（メタデータ） (2020-03-27T00:25:13Z)

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。