論文の概要: MagicMakeup: A Region-Controllable Diffusion Transformer for High-Fidelity Makeup-Transfer
- arxiv url: http://arxiv.org/abs/2607.20924v1
- Date: Thu, 23 Jul 2026 05:00:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.292216
- Title: MagicMakeup: A Region-Controllable Diffusion Transformer for High-Fidelity Makeup-Transfer
- Title（参考訳）: MagicMakeup: 高忠実メイクアップトランスのための領域制御可能な拡散変換器
- Abstract要約: 領域制御可能かつ高忠実なメークアップのための拡散トランスフォーマーベースのフレームワークであるMagicMakeupを提案する。
MagicMakeupは、地域制御性、メイクの忠実度、アイデンティティの保存性を向上し、スタイル、レース、ポーズの強い堅牢性を示す。
- 参考スコア（独自算出の注目度）: 29.344888414711175
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Makeup-transfer applies the reference makeup to the source face while preserving the source identity. Despite advances in full-face editing by diffusion-based methods, strong regional controllability, makeup fidelity, and identity preservation remain challenging. The reasons are (i) pixel-to-attention misalignment that causes spillover into non-target areas and weakens regional control; (ii) unclear transfer/preservation concept separation under two-image conditioning, leading to coupling between makeup attributes and identity; and (iii) the lack of a high-resolution dataset that is identity-consistent and region-labeled for fine-grained supervision. In this paper, we propose MagicMakeup, a diffusion transformer-based framework for region-controllable and high-fidelity makeup transfer, built on spatial constraints and concept disentanglement. To enable precise region-specific editing while preserving identity, we propose Token-Aligned Region Gating, which aligns pixel masks with attention and applies region-specific logit gating. To clarify the concepts of transfer and preservation, we further introduce Cross-Modal Perception Guidance, which aligns text and image features to enhance cross-modal concept perception. We also design a pipeline for the generation of 1024 x 1024 data pairs through region-specific makeup removal and establish a unified benchmark in synthetic and real settings. Extensive quantitative and qualitative experiments show that MagicMakeup improves regional controllability, makeup fidelity, and identity preservation, with strong robustness across styles, races, and poses.
- Abstract（参考訳）: メイクアップ-トランスファーは、ソースのアイデンティティを保持しながら、ソースの顔に参照メイクを適用します。
拡散法による顔の完全編集の進歩にもかかわらず、強い地域制御性、化粧品の忠実さ、アイデンティティの保存は依然として困難である。
理由は
一 非目標領域に流出し、かつ、地域支配を弱める画素対アテンションの誤認
(二)二像条件下での移動・保存概念の分離が不明確で、メイク属性とアイデンティティの結合につながること。
三 詳細な監督のために、アイデンティティに一貫性があり、地域ラベルが付けられている高解像度データセットがないこと。
本稿では,空間的制約と概念のゆがみに基づく領域制御可能かつ高忠実なメイクアップのための拡散トランスフォーマーベースのフレームワークMagicMakeupを提案する。
同一性を保ちながら正確な領域別編集を可能にするため,画素マスクに注意を向け,領域別ロジットゲーティングを適用したToken-Aligned Region Gatingを提案する。
伝達と保存の概念を明らかにするために,テキストと画像の特徴を整合させて相互モーダルな概念知覚を高めるクロスモーダルな知覚誘導を導入する。
また、地域別メイク除去による1024×1024データペア生成のためのパイプラインを設計し、合成および実環境において統一されたベンチマークを確立する。
広範囲にわたる量的および質的な実験により、MagicMakeupは、地域制御性、メイクの忠実さ、アイデンティティの保存を改善し、スタイル、人種、ポーズの強い堅牢性を示す。
関連論文リスト
- Anchoring on Reality: Breaking the Pseudo-Target Ceiling in Makeup Transfer [70.44549081321442]
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。
論文 参考訳（メタデータ） (2026-06-30T03:28:01Z) - In-context Region-based Drag: Drag Any Region to Any Shape [58.32054552329584]
本稿では,領域ベースのドラッグに着目し,新たにICRDrag(In-Context Region-based Drag)手法を提案する。
コンテキスト内学習フレームワークでは、ICRDragはソースイメージ、ソース領域マスク、ターゲット領域マスクを消費し、ターゲットのドラッグされたイメージを生成する。
実験の結果,ICRDragは測定値とユーザスタディの両方において,既存の手法を著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2026-06-24T14:55:07Z) - CA-IDD: Cross-Attention Guided Identity-Conditional Diffusion for Identity-Consistent Face Swapping [1.4323566945483497]
顔スワップは、ターゲット顔へのソース顔の同一性を活用することで、現実的な顔画像生成を最適化することを目的としている。
既存の方法、特にGANに基づく手法は、アイデンティティ保存と視覚リアリズムのバランスをとるのにしばしば苦労する。
本稿では、視線、アイデンティティ、顔解析を統合した最初の拡散型顔スワップアプローチであるCA-IDDを紹介する。
論文 参考訳（メタデータ） (2026-04-27T13:59:08Z) - Layer-wise Instance Binding for Regional and Occlusion Control in Text-to-Image Diffusion Transformers [49.08465459791972]
テキスト・画像生成における領域命令によるレイアウト制御は非常に実用的だが、既存の手法は制限に悩まされている。
地域生成を異なるレイヤとしてモデル化し、生成中にそれらを結合することにより、LayerBindを提案する。
論文 参考訳（メタデータ） (2026-03-06T00:09:49Z) - 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) - 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) - 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) - SARA: Controllable Makeup Transfer with Spatial Alignment and Region-Adaptive Normalization [67.90315365909244]
本稿では,空間アライメントと領域適応正規化法(SARA)を提案する。
提案手法は,大規模な空間的不整合を処理し,部分特異的かつ日陰制御可能なメイク転送を実現するための詳細なメイク転送結果を生成する。
実験の結果,SARA法は既存の手法よりも優れており,2つの公開データセット上での最先端性能を実現していることがわかった。
論文 参考訳（メタデータ） (2023-11-28T14:46:51Z) - 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) - EleGANt: Exquisite and Locally Editable GAN for Makeup Transfer [13.304362849679391]
EleGANt (EleGANt) を用いたエキサイティングで局所的に編集可能なGANを提案する。
顔の特徴をピラミッドの特徴マップにエンコードし、高周波情報を保存する。
EleGANtは、機能マップの対応する編集によって任意の領域でカスタマイズされたローカル編集を実現する最初の方法である。
論文 参考訳（メタデータ） (2022-07-20T11:52:07Z) - 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)
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。