論文の概要: Protégé: Learn and Generate Basic Makeup Styles with Generative Adversarial Networks (GANs)

• arxiv url: http://arxiv.org/abs/2412.20381v1
• Date: Sun, 29 Dec 2024 07:02:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:04:44.887106
• Title: Protégé: Learn and Generate Basic Makeup Styles with Generative Adversarial Networks (GANs)
• Title（参考訳）: Protégé:Generative Adversarial Networks (GANs)による基本的なメイクアップスタイルの学習と生成
• Authors: Jia Wei Sii, Chee Seng Chan,
• Abstract要約: 我々は、新しいメイクアプリケーションProt'eg'eを提案し、最新の生成モデル -- GANを使ってメイクスタイルを学習し、自動生成する。 多様な化粧品の学習と創造におけるプロテグの能力を示す大規模な実験が実施されている。
• 参考スコア（独自算出の注目度）: 9.604390113485834
• License:
• Abstract: Makeup is no longer confined to physical application; people now use mobile apps to digitally apply makeup to their photos, which they then share on social media. However, while this shift has made makeup more accessible, designing diverse makeup styles tailored to individual faces remains a challenge. This challenge currently must still be done manually by humans. Existing systems, such as makeup recommendation engines and makeup transfer techniques, offer limitations in creating innovative makeups for different individuals "intuitively" -- significant user effort and knowledge needed and limited makeup options available in app. Our motivation is to address this challenge by proposing Prot\'eg\'e, a new makeup application, leveraging recent generative model -- GANs to learn and automatically generate makeup styles. This is a task that existing makeup applications (i.e., makeup recommendation systems using expert system and makeup transfer methods) are unable to perform. Extensive experiments has been conducted to demonstrate the capability of Prot\'eg\'e in learning and creating diverse makeups, providing a convenient and intuitive way, marking a significant leap in digital makeup technology!
• Abstract（参考訳）: 今や人々はモバイルアプリを使って、自分の写真にメイクをデジタルで応用し、それをソーシャルメディアで共有している。 しかし、この変更によりメイクがより使いやすくなったが、個々の顔に合わせて様々なメイクスタイルをデザインすることは依然として困難である。 この課題は現在、人間が手動で行う必要があります。 メークアップレコメンデーションエンジンやメイクアップ技術などの既存のシステムでは、異なる個人のための革新的なメイクアップを「意図的に」作成する際の制限 -- アプリケーションで必要な重要なユーザの努力と知識と限定的なメイクアップオプション — が提供されている。私たちのモチベーションは、新しいメイクアップアプリケーションであるProt\'eg\'eを提案して、最近のジェネレーティブモデルであるGANを活用して、メイクアップスタイルを学習し、自動生成することです。 既存のメークアップアプリケーション(エキスパートシステムとメークアップ転送方式を用いたメークアップレコメンデーションシステム)が実行できないタスクである。 Prot\'eg\eの学習能力と多様なメイクの創出能力を示す大規模な実験が行われ、デジタルメイク技術の飛躍的な飛躍を象徴する、便利で直感的な方法を提供する。

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)
• Gorgeous: Create Your Desired Character Facial Makeup from Any Ideas [9.604390113485834]
  $Gorgeous$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。
  論文  参考訳（メタデータ） (2024-04-22T07:40:53Z)
• 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)
• 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。