EvoMakeup：基于 MakeupQuad 的高保真可控妆容编辑
计算机视觉与模式识别
2025-08-11 v1
摘要
人脸化妆编辑旨在将参考中的妆容真实传递至目标人脸。现有方法常产生低质量结果，妆容细节粗糙，且难以同时保持身份识别与妆容保真度，主要源于缺乏结构化配对数据——即源与结果共享身份，参考与结果共享完全相同的妆容。为此，我们引入 MakeupQuad：一个大规模高质量数据集，包含无妆容人脸、参考图像、编辑结果以及文本化妆描述。基于此，我们提出 EvoMakeup：一个统一的训练框架，缓解多阶段蒸馏过程中的图像退化，实现数据与模型质量的迭代提升。虽然仅基于合成数据训练，EvoMakeup 仍能在真实世界基准测试中超越先前方法。它支持高保真、可控、多任务化妆编辑——包括全脸参考式编辑、局部参考式编辑以及文本驱动式化妆编辑——于单一模型中。实验结果表明，该方法在妆容保真度和身份保持方面均表现卓越，有效平衡了两者。代码和数据集将在接受录用后发布。
引用
@article{arxiv.2508.05994,
title = {EvoMakeup: High-Fidelity and Controllable Makeup Editing with MakeupQuad},
author = {Huadong Wu and Yi Fu and Yunhao Li and Yuan Gao and Kang Du},
journal= {arXiv preprint arXiv:2508.05994},
year = {2025}
}