基于精选数据集的监督式化妆转换：解耦身份与化妆特征以实现更佳转换

扩散模型最近在生成任务中显示出强大的进展，为化妆转换提供了比基于生成对抗网络的方法更稳定的替代方案。现有方法常常受限于数据集、身份与化妆特征的劣势解耦以及控制力度不足。为此，我们作出三个贡献：第一，我们构建了一个高质量数据集，采用 train-generate-filter-retrain 策略，将合成样本、真实样本和筛选样本组合，以提高多样性和保真度；第二，我们设计了一个基于扩散的框架，对身份特征和化妆特征进行解耦，确保面部结构和肤色保持不变，同时能够准确且多样化地应用不同的化妆风格；第三，我们提出了一个文本引导机制，允许用户通过自然语言提示对眼睛、唇部或面部化妆进行细粒度和区域特定的控制。在基准测试和真实场景中的实验表明，我们在保真度、身份保持和灵活性方面均取得了改进。我们的数据集示例可在 https://makeup-adapter.github.io 查看。