美顏：https://github.com/Honlan/BeautyGAN，還需要按照md下載模型就可使用
提高精度：https://github.com/TencentARC/GFPGAN，還需要按照md下載一些包就可使用

美顏：
1.使用網(wǎng)絡(luò)：cycleGAN循環(huán)生成對抗網(wǎng)絡(luò)
2.傳統(tǒng)特性：利用生成器網(wǎng)絡(luò)G生成目標(biāo)圖，并用判別器D判斷生成的圖像是否為真，它會對生成器所產(chǎn)生的假目標(biāo)做懲罰并對真目標(biāo)進(jìn)行獎勵
3.生成器：左邊的生成模型G，首先素顏圖像和參考圖像經(jīng)過不同的兩組卷積提取特征，然后concatenate到一起，輸入residual block中，接著兩組反卷積將輸出的feature map上采樣，結(jié)果是將原來的素顏圖像“上妝”，而參考圖像“卸妝”。右邊的生成模型G與左邊結(jié)構(gòu)相同實(shí)現(xiàn)復(fù)原。
4.判別器：上下兩個判別模型D分別判斷是否為真實(shí)的帶妝圖像或者素顏圖像。
5.損失函數(shù)包含：
①GAN的損失函數(shù)（也就是兩個判別器的損失之和）
生成器網(wǎng)絡(luò)：分別卷積 + Concatenate（連接）+ 卷積全連接層 + 分別反卷積
判別器：卷積
損失函數(shù)：D（）好像是判別器的輸出

②cycle consistency loss（將生成的結(jié)果再次放回生成器，然后與輸入圖像做像素間的重構(gòu)損失）
讓重構(gòu)回去的圖像和最開始輸入的圖像要盡可能的一樣，也就是經(jīng)過兩個生成器后（經(jīng)歷了一個cycleGAN后）生成的圖片與原圖片的distance最小
③perceptual loss（將同一人的妝前妝后圖一起丟到VGGnet中，然后通過對輸出的語義向量做損失從而保證身份的一致性）
用的VGG16，VGG模型學(xué)習(xí)鏈接如下：
https://blog.csdn.net/qq_42012782/article/details/123222042
④makeup loss（將面部先做語義分割，分成底妝，口紅和眼影，然后對每個區(qū)域做顏色損失）
語義分割 + 直方圖匹配
語義分割用的是FCN（全卷積神經(jīng)網(wǎng)絡(luò)）https://blog.csdn.net/wrk226/article/details/123255122?spm=1001.2014.3001.5502
直方圖匹配好像也是上面的方法
6.參考文獻(xiàn)：BeautyGAN: Instance-level Facial Makeup Transfer with DeepGenerative Adversarial Network
7.參考博客：
https://blog.csdn.net/qq_30209907/article/details/94023802
https://blog.csdn.net/wrk226/article/details/123256887（這個博客提供的連接里，有論文附件，附件中有G和D的網(wǎng)絡(luò)結(jié)構(gòu)表）
8.參考github，這里有訓(xùn)練好的可以直接用的模型，但沒有訓(xùn)練模型：
https://github.com/Honlan/BeautyGAN

提高精度：
看不懂哇，前面的區(qū)域以后再來探索吧

總結(jié)

以上是生活随笔為你收集整理的BeautyGAN图片的高精度美颜的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。