葫芦岛市网站建设_网站建设公司_UI设计师_seo优化

如下图25.5所示，BeautyGAN 的整体结构包括：

一个生成器 G：同时输入原始无妆照片Isrc和参考有妆照片Iref，并生成一对互换妆容的图像：上妆后的照片IB（即在无妆照片上加上参考妆容）和去妆后的照片IA（即在有妆照片上去掉妆容）。

srcref两个判别器 D：判别器DB用于区分“上妆后的照片IB”和“真实有妆照片Iref”；判别器DA用于区分“去妆后的照片IA”和“真实无妆照片Isrc”。

通过这种设置，系统不仅可以“上妆”，还能“去妆”。训练的目标是使生成图像在妆容上尽可能接近参考图，同时在身份特征上保持不变。

为增强妆容迁移效果，BeautyGAN 还提取了人脸中的关键区域（如眼睛、唇部、面颊），并要求这些区域在生成图像中的颜色分布尽量与参考图相似。

上半部为上妆后照片，下半部为有妆照片。分别提取他们的脸、眼、唇等部件，计算其颜色分布，让这些部件的颜色分布趋于一致。

图25.7中展示了BeautyGAN 的生成效果：每一列对应一种参考妆容风格，每一行对应同一张无妆照片在不同参考妆容下的美颜结果。可以看到，BeautyGAN 生成的妆容效果真实自然，色彩过渡平滑，能够有效实现“以妆换妆”。

基于 BeautyGAN 的美颜效果图