論文の概要: BeautyBank: Encoding Facial Makeup in Latent Space

• arxiv url: http://arxiv.org/abs/2411.11231v1
• Date: Mon, 18 Nov 2024 01:52:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:33:07.452215
• Title: BeautyBank: Encoding Facial Makeup in Latent Space
• Title（参考訳）: BeautyBank: 後期の空間で顔のメイクアップをエンコードする
• Authors: Qianwen Lu, Xingchao Yang, Takafumi Taketomi,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.113770213797994
• License:
• Abstract: The advancement of makeup transfer, editing, and image encoding has demonstrated their effectiveness and superior quality. However, existing makeup works primarily focus on low-dimensional features such as color distributions and patterns, limiting their versatillity across a wide range of makeup applications. Futhermore, existing high-dimensional latent encoding methods mainly target global features such as structure and style, and are less effective for tasks that require detailed attention to local color and pattern features of makeup. To overcome these limitations, we propose BeautyBank, a novel makeup encoder that disentangles pattern features of bare and makeup faces. Our method encodes makeup features into a high-dimensional space, preserving essential details necessary for makeup reconstruction and broadening the scope of potential makeup research applications. We also propose a Progressive Makeup Tuning (PMT) strategy, specifically designed to enhance the preservation of detailed makeup features while preventing the inclusion of irrelevant attributes. We further explore novel makeup applications, including facial image generation with makeup injection and makeup similarity measure. Extensive empirical experiments validate that our method offers superior task adaptability and holds significant potential for widespread application in various makeup-related fields. Furthermore, to address the lack of large-scale, high-quality paired makeup datasets in the field, we constructed the Bare-Makeup Synthesis Dataset (BMS), comprising 324,000 pairs of 512x512 pixel images of bare and makeup-enhanced faces.
• Abstract（参考訳）: メイク転送、編集、画像符号化の進歩は、その効果と優れた品質を示してきた。 しかし、既存の化粧品は、主に色分布やパターンなどの低次元の特徴に焦点を合わせ、幅広い化粧品の用途でその汎用性を制限している。 さらに、既存の高次元ラテント符号化法は主に構造やスタイルなどのグローバルな特徴をターゲットとしており、局所的な色やメイクのパターンの特徴に詳細な注意を要するタスクには効果が低い。 このような制約を克服するために,裸顔と化粧顔のパターン特徴を歪める新しいメイクエンコーダであるBeautyBankを提案する。 本手法は, 化粧品の外観を高次元空間にエンコードし, 化粧品復元に必要な細部を保存し, 潜在的な化粧品研究応用の範囲を広げる。 また,非関連属性の含みを防止しつつ,詳細な化粧品の保存性を高めることを目的とした,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。 さらにメイクインジェクションを用いた顔画像生成やメイク類似度測定などの新しいメイクアップ応用についても検討する。 広範囲にわたる実証実験により,本手法はタスク適応性に優れ,様々なメイク関連分野に広く応用できる可能性が示唆された。 さらに,現場における大規模で高品質なペアメイクデータセットの欠如に対処するため,裸顔と化粧強調顔の512×512ピクセル画像の324,000対からなるBare-Makeup Synthesis Dataset (BMS)を構築した。

関連論文リスト

• 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)
• 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)
• Automated Material Properties Extraction For Enhanced Beauty Product Discovery and Makeup Virtual Try-on [11.214610032800396]
  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。
  論文  参考訳（メタデータ） (2023-12-01T18:41:22Z)
• 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)
• 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)
• SOGAN: 3D-Aware Shadow and Occlusion Robust GAN for Makeup Transfer [68.38955698584758]
  3D-Aware Shadow and Occlusion Robust GAN (SOGAN) と呼ばれる新しいメイクアップ転送手法を提案する。 最初に3D顔モデルにフィットし、顔を形とテクスチャに切り離します。 テクスチャブランチでは、テクスチャをuv空間にマッピングし、uvテクスチャ生成器を設計してメークアップを転送する。
  論文  参考訳（メタデータ） (2021-04-21T14:48:49Z)
• 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)
• Bridging Composite and Real: Towards End-to-end Deep Image Matting [88.79857806542006]
  画像マッチングにおける意味論と細部の役割について検討する。 本稿では,共有エンコーダと2つの分離デコーダを用いた新しいGlance and Focus Matting Network(GFM)を提案する。 総合的な実証研究により、GFMは最先端の手法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） (2020-10-30T10:57:13Z)
• 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。