論文の概要: EvoMakeup: High-Fidelity and Controllable Makeup Editing with MakeupQuad

• arxiv url: http://arxiv.org/abs/2508.05994v1
• Date: Fri, 08 Aug 2025 04:00:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.07148
• Title: EvoMakeup: High-Fidelity and Controllable Makeup Editing with MakeupQuad
• Title（参考訳）: EvoMakeup:MakeupQuadで高忠実でコントロール可能なメイクアップ編集
• Authors: Huadong Wu, Yi Fu, Yunhao Li, Yuan Gao, Kang Du,
• Abstract要約: 非ミークアップ顔、参照、編集結果、テキストメイク記述を備えた大規模で高品質なデータセットであるMakeupQuadを紹介した。 多段蒸留における画像劣化を緩和する統合トレーニングフレームワークであるEvoMakeupを提案する。 EvoMakeupは、合成データのみに訓練されているが、実世界のベンチマークにおいて、事前の手法をうまく一般化し、性能を上回っている。
• 参考スコア（独自算出の注目度）: 7.6522194221211235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Facial makeup editing aims to realistically transfer makeup from a reference to a target face. Existing methods often produce low-quality results with coarse makeup details and struggle to preserve both identity and makeup fidelity, mainly due to the lack of structured paired data -- where source and result share identity, and reference and result share identical makeup. To address this, we introduce MakeupQuad, a large-scale, high-quality dataset with non-makeup faces, references, edited results, and textual makeup descriptions. Building on this, we propose EvoMakeup, a unified training framework that mitigates image degradation during multi-stage distillation, enabling iterative improvement of both data and model quality. Although trained solely on synthetic data, EvoMakeup generalizes well and outperforms prior methods on real-world benchmarks. It supports high-fidelity, controllable, multi-task makeup editing -- including full-face and partial reference-based editing, as well as text-driven makeup editing -- within a single model. Experimental results demonstrate that our method achieves superior makeup fidelity and identity preservation, effectively balancing both aspects. Code and dataset will be released upon acceptance.
• Abstract（参考訳）: 顔化粧編集は、対象の顔への参照からリアルに化粧を転送することを目的としている。 既存の方法では、粗いメイクの詳細とアイデンティティとメイクの忠実さの両立に苦慮している。主に、ソースと結果がアイデンティティを共有し、参照と結果が同じメイクを共有する、構造化されたペアデータがないためだ。 この問題に対処するため、MakeupQuadは、非メイクアップ顔、参照、編集結果、テキストメイク記述を備えた、大規模で高品質なデータセットである。 これに基づいて,多段蒸留における画像劣化を緩和し,データとモデル品質を反復的に改善する統合トレーニングフレームワークであるEvoMakeupを提案する。 EvoMakeupは、合成データのみに訓練されているが、実世界のベンチマークにおいて、事前の手法をうまく一般化し、性能を上回っている。 フルフェイスと部分参照ベースの編集を含む、高忠実でコントロール可能なマルチタスクのメイクアップ編集と、テキスト駆動のメイクアップ編集を単一のモデルでサポートする。 提案手法は,両面のバランスを効果的に保ち,メイクの忠実度とアイデンティティの保存性に優れることを示した。 コードとデータセットは受理時にリリースされる。

関連論文リスト

• FFHQ-Makeup: Paired Synthetic Makeup Dataset with Facial Consistency Across Multiple Styles [1.4680035572775534]
  FFHQ-Makeupは高品質な合成化粧データセットで、それぞれのアイデンティティと複数のメイクスタイルをペアリングする。 私たちの知る限りでは、メークアップデータセットの構築に特化している最初の作品です。
  論文  参考訳（メタデータ） (2025-08-05T09:16:43Z)
• AvatarMakeup: Realistic Makeup Transfer for 3D Animatable Head Avatars [89.31582684550723]
  AvatarMakeupは、アニメーションを通して最先端のメイクアップ転送品質と一貫性を達成する。 コヒーレント複製は、生成した化粧画像中の平均的な顔属性を復号することで、グローバルな紫外線マップを最適化する。 実験によると、AvatarMakeupはアニメーションを通して、最先端のメイクアップの質と一貫性を実現する。
  論文  参考訳（メタデータ） (2025-07-03T08:26:57Z)
• 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)
• Stable-Makeup: When Real-World Makeup Transfer Meets Diffusion Model [15.380297080210559]
  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)
• DRAN: Detailed Region-Adaptive Normalization for Conditional Image Synthesis [25.936764522125703]
  DRAN(Detailed Region-Adaptive Normalization)と呼ばれる新しい正規化モジュールを提案する。 きめ細かい表現と粗い表現の両方を適応的に学習する。 我々は、幅広い複雑なメイクスタイルを含む新しいメイクアップデータセット(Makeup-Complexデータセット)を収集する。
  論文  参考訳（メタデータ） (2021-09-29T16:19:37Z)
• 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)
• 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。