論文の概要: Anchoring on Reality: Breaking the Pseudo-Target Ceiling in Makeup Transfer

• arxiv url: http://arxiv.org/abs/2606.31089v1
• Date: Tue, 30 Jun 2026 03:28:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.066373
• Title: Anchoring on Reality: Breaking the Pseudo-Target Ceiling in Makeup Transfer
• Title（参考訳）: 現実のアンコリング:メイクアップトランスファーにおける擬似ターゲットシーリングを破る
• Abstract要約: メイクアップ転送は、そのアイデンティティと幾何学を保ちながら、ソースフェイスに参照化粧スタイルを適用する。 現在の手法は、大規模な編集モデルの弱い先行や合成擬似ターゲットに依存している。 本稿では,現実に適応した改良サイクルを持つ2段階のフレームワークであるART(Anchoring on Reality Makeup Transfer)を提案する。
• 参考スコア（独自算出の注目度）: 70.44549081321442
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Makeup transfer applies a reference cosmetic style to a source face while preserving its identity and geometry. However, this task is severely hindered by the lack of real paired training data. Current methods rely on either weak priors or synthetic pseudo-targets from large-scale editing models. These paradigms provide suboptimal guidance, often leading to degraded fine-grained details, synthetic artifacts, and identity drift. To this end, we propose Anchoring on Reality Makeup Transfer (ART), a two-stage framework with a reality-anchored refinement cycle. In Stage I, the model is initialized with pseudo-targets to establish basic semantic alignment and global makeup placement. Crucially, Stage II shifts supervision from pseudo-targets to the real reference, reconstructing it from its bare-skin counterpart through a differentiable cycle that penalizes any omitted detail and overrides synthetic artifacts. Furthermore, we introduce MakeupFaces2K (MF2K), the first 2K-resolution in-the-wild makeup portrait dataset comprising 8,573 images. Extensive experiments demonstrate that our method achieves superior makeup fidelity, strong background stability, and robust identity preservation, especially for complex makeup styles.
• Abstract（参考訳）: メイクアップ転送は、そのアイデンティティと幾何学を保ちながら、ソースフェイスに参照化粧スタイルを適用する。 しかし、このタスクは、実際のペアリングトレーニングデータの欠如により、深刻な障害となる。 現在の手法は、大規模編集モデルの弱い先行と合成擬似ターゲットのいずれかに依存している。 これらのパラダイムは最適以下のガイダンスを提供し、しばしば分解された細部の詳細、人工的な人工物、アイデンティティドリフトをもたらす。 この目的のために,現実に適応した改良サイクルを持つ2段階フレームワークであるAnchoring on Reality Makeup Transfer (ART)を提案する。 ステージIでは、モデルが擬似ターゲットで初期化され、基本的なセマンティックアライメントとグローバルメイクの配置を確立する。 重要なことに、ステージIIは、監督を擬似ターゲットから実際のリファレンスにシフトし、省略された詳細をペナルティ化し、人工的なアーティファクトをオーバーライドする差別化可能なサイクルを通じて、その素肌から再構築する。 さらに,MakeupFaces2K (MF2K) を紹介する。 本手法は,特に複雑な化粧スタイルにおいて,優れた化粧の忠実度,強い背景安定性,堅牢なアイデンティティ保存を実現することを実証した。

関連論文リスト

• From Synthetic to Real: Toward Identity-Consistent Makeup Transfer with Synthetic and Real Data [63.40634698361175]
  メイクアップ転送は、同一性や背景を保ちながら、ソースポートレートに参照ポートレートのメイクスタイルを適用することを目的としている。 近年の拡散と流れに基づくアプローチは、教師付きトレーニングのために合成データを利用するようになり、大幅に改善された。 本稿では,ポストトレーニングフレームワークであるConsistentBeautyとRealBeautyを提案する。
  論文  参考訳（メタデータ） (2026-05-08T15:21:43Z)
• Supervised makeup transfer with a curated dataset: Decoupling identity and makeup features for enhanced transformation [21.71636658071446]
  拡散モデルは、生成タスクにおいて大きな進歩を示しており、化粧転移のためのGANベースのアプローチのより安定した代替手段を提供する。 既存の手法では、データセットの制限、アイデンティティとメイクの特徴の不整合、制御性の弱さに悩まされることが多い。 我々は, 合成, 現実的, フィルタされたサンプルを組み合わせて, 多様性と忠実性を向上する列車生成・フィルタ・リトラクション戦略を用いて, 高品質なモデルを構築した。 第3に,ユーザが目や唇,顔の化粧を自然言語のプロンプトで修正できる,きめ細かな領域特異的制御を実現するためのテキスト誘導機構を提案する。
  論文  参考訳（メタデータ） (2026-01-31T13:46:38Z)
• Towards High-Fidelity, Identity-Preserving Real-Time Makeup Transfer: Decoupling Style Generation [10.030819778997836]
  リアルタイムな仮想メイク試行のための新しいフレームワークを提案する。 堅牢な時間的整合性を持つ高忠実でアイデンティティ保存性化粧品の転写を実現する。
  論文  参考訳（メタデータ） (2025-09-02T15:52:56Z)
• FLUX-Makeup: High-Fidelity, Identity-Consistent, and Robust Makeup Transfer via Diffusion Transformer [20.199540657879037]
  FLUX-Makeupは、高忠実で、アイデンティティに一貫性があり、堅牢なメイクアップ・トランスファー・フレームワークである。 提案手法では,ソース参照画像ペアを直接利用して転送性能を向上する。 FLUX-Makeupは最先端のパフォーマンスを実現し、さまざまなシナリオで強い堅牢性を示す。
  論文  参考訳（メタデータ） (2025-08-07T06:42:40Z)
• 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)
• MF-VITON: High-Fidelity Mask-Free Virtual Try-On with Minimal Input [69.33864837012202]
  本研究では,一人のイメージとターゲット衣服のみを用いて,現実的なVITONを実現するMask-Free VITONフレームワークを提案する。 既存のMaskベースのVITONモデルを利用して高品質なデータセットを合成する。 このデータセットには、多様で現実的な人物画像とそれに対応する衣服が含まれており、背景も様々で、現実世界のシナリオを模倣している。
  論文  参考訳（メタデータ） (2025-03-11T17:40:59Z)
• 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)
• 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)
• 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。