虽然本文没有赶在七夕前让读者见到，但好饭不怕晚，学会这个，可以每天帮你的TA修图，当然也可以给自己使用，而且强大易上手，毫无痕迹，即开即用，无需下载App无需高级会员，贴合自己的五官，很好的角度贴合，学会后还可以尝试基于此项目，进行二次开发，例如：Web，小程序，App等
本文亮点：
1、论文解读：带你了解妆容迁移论文创新点、模型结构和模型训练方法
2、代码解读：拆解妆容迁移代云上、AI开发平台ModelArts实操演练、带你轻松实现一键AI妆容迁移
3、学会了这个技能，可以将任何你心仪的妆容一键复制到你的脸上
本文会分为以下4个部分进行介绍
1.架构讲解
2.效果展示
3.数据集·实操
4.华为云Al Gallery
首先提到妆容迁移，大家想到的是什么呢，美颜的App讲妆容复制到脸上，还有就是在网购化妆品的时候，在线试口红色号，粉底，眼影等，都是妆容的应用，还有我们常用的App一些妆容，特效滤镜等等
1、 架构讲解
1.1 介绍
妆容迁移是指将目标图上的妆容直接迁移到原图上的技术，也就是将参考图像上的妆容迁移到我们的图片上，我们还要考虑结构，光线，姿态，表情遮挡等情况
• 传统方法：侧重于图像预处理、特征提取和反射操作
• 基于深度学习的方法：GAN用于图像到图像的迁移任务
BeautyGAN—正面&简单的妆容迁移效果表现良好
PSGAN—处理多种不同的头部姿态&表情的面部
CA-GAN—提出颜色判别器，以改善嘴眼区域的细粒度妆容迁移
LADN—将多个重叠区域的局部判别器用于极致化妆风格迁移
LADN比上面3个的能力要强一些，可以将一些较复杂的情况考虑到，但是它的表现力还是不够的，表现效果不太好，所以呢就引出了我们接下来要讲的CPM
1.2 Color-Pattern Makeup Transfer(CPM)
Paper：https : //arxiv.org/abs/2104.01867
Github：https : //github.com/VinAlResearch/CPM
这是一篇去年，也就是2021年的论文CPM，它有以下四点优势
优势：
综合的妆容迁移方法，适用于轻盈以及极致的风格
带有两个分支的框架Color Transfer &Pattern Transfer，加入UVspace
中的扭曲面容以消除人脸在形状，头部位置和表情方面的差异引入了一个新的makeuptransfer的数据集，包含极致风格的妆容效果
State-of-the-art
这篇论文在当时的技术领域也是达到了最高水平，也就是State-of-the-art
[图片上传失败...(image-d7ec03-1661493332575)]
接下来我们看看Paper所讲的内容
[图片上传失败...(image-b08b43-1661493332576)]
接下来给大家介绍UV Map Conversion
2.1 UV Map Conversion
论文提出了一个结合色彩变换和图案添加的妆容迁移方法，设计新的结构： Color Transfer Branch & Pattern Transfer Branch，并在训练两个网络分支时使用UV 空间中的扭曲脸来消除输入面在形状，头部姿势和表情方面的差异
• UVmap是计算机图像学中三维物体纹理映射的一种常见技术
• 物体的纹理被压扁成一个二维图像，物体的每个三维顶点都与图像上的一个二维位置相关联
• PRNet设计了一个2D UV position map，来编码对齐三维面部形状，它是一个具有三通道的二维图像
我们看一下公式
[图片上传失败...(image-689e86-1661493332576)]
2.2 Color transfer branch
采用BeautyGAN提出的框架和loss function，其中最关键的loss是Histogram Matching Loss
[图片上传失败...(image-71d74d-1661493332576)]
[图片上传失败...(image-18f582-1661493332576)]
结论：与BeautyGAN相比，ColorTansfer分支不仅可以捕捉到色彩，还有化妆的结构以及位置信息，表现效果更优
2.3 Pattern transfer branch
• 传统：做分割操作、解除扭曲、重新扭曲
• 使用uv position map将其简化为图像分割
• 提出一个新的数据集CPM-Synt-1
• 采用dice loss
[图片上传失败...(image-cdf5db-1661493332576)]
[图片上传失败...(image-17ce53-1661493332576)]
结论：精准检测和迁移pattern，保持其形状，纹理和位置信息不变，表现良好
2、 效果展示
我们来看一下使用UV在Color和Pattern上的效果 ，第一行是color的效果，第二行是pattern分支的效果
[图片上传失败...(image-f71a9a-1661493332576)]
接下来是Color & Pattern& Color-Pattern呈现效果
[图片上传失败...(image-70f6d7-1661493332576)]
3、 数据集·实操
• MT：包含1115张源图像和2719张参照图像的轻盈化妆容，由BeautyGAN发布用于训练ColorTransfer
• CPM-Real：3895张多尺寸图像，在自然场景下带有多样化的极致妆容数据
• Sticker：577张高质量图案(花，水晶，叶子，字母等等)
[图片上传失败...(image-295521-1661493332576)]
• CPM-Synt-1：555张256*256张纹理图像，用于训练Pattern Transfer
• CPM-Synt-2：包含1625张256*256的三元组图像，专门为评估Pattern而设计
[图片上传失败...(image-7c4796-1661493332576)]
接下来我们看一下实操的部分
• Pytorch实现
• UVconversion和逆向渲染基于PRNet的代码和模型
• 使用各自的训练模型，分别训练PatternTransfer和ColorTransfer这两个分支
• Color Transfer ：input=256*256 | epochs =300 | batch size=8 | lr= 0.0001 | Adam optimizer
然后是代码实际操作的步骤
实验步骤：
1.将输入图像分别转换为UV texture
2.texture被传递到两个独立的分支一color&pattern的妆容迁移
3通过合并这些分支的输出来形成最后的uv texture，并将该UV texture映射
转换到图像空间以获得最终的输出
4、 华为云Al Gallery
接下来简单介绍一下直播讲解的案例，首先我们打开华为云开发者的Al Gallery AI妆容迁移 下，可以进入如下界面：
[图片上传失败...(image-7d64ec-1661493332576)]
进来之后我们等待初始化后会出现选择运行环境界面，会提供限时免费的资源
[图片上传失败...(image-a86b7f-1661493332576)]
我们可以看到整个的大纲，浏览一下相关介绍然后下面大概简述一下操作步骤，具体的可以看下官方文档
[图片上传失败...(image-c394a4-1661493332576)]
4.1.准备代码及数据
相关代码、数据和模型都已存放在OBS中，执行下面一段代码即可将其拷贝到Notebook中
import os
import moxing as mox
if not os.path.exists("/home/ma-user/work/CPM")：
mox.file.copy_parallel('obs://modelarts-labs-bj4-v2/case_zoo/makeup_transfer/CPM.zip'，"/home/ma-user/work/CPM.zip")
os.system("cd /home/ma-user/work;unzip CPM.zip;rm CPM.zip")
if os.path.exists("/home/ma-user/work/CPM")：
print('Download success')
else：
raise Exception('Download Failed')
else：
print("Project already exists")
4.2.安装所需要的python模块
!pip install torch==1.6.0 torchvision==0.7.0
!pip install tensorflow==1.14.0
!pip install blend_modes==2.1.0
!pip install segmentation_models_pytorch==0.2.1
!pip install scikit-image==0.19.3
!pip install albumentations==1.2.1
!pip install dlib==19.21.1
4.3导入依赖包
# 关闭TensorFlow中的warning
# import tensorflow as tf
# tf.logging.set_verbosity(tf.logging.ERROR)
# 进入项目路径
%cd /home/ma-user/work/CPM
/home/ma-user/work/CPM
import argparse
import os
import cv2
import numpy as np
from makeup import Makeup
from PIL import Image
4.4自定义参数
参数定义
def get_args()：
parser = argparse.ArgumentParser()
parser.add_argument("--checkpoint_pattern"， default="./checkpoints/pattern.pth"， type=str) # pattern预训练模型
parser.add_argument("--checkpoint_color"， default="./checkpoints/color.pth"， type=str) # color预训练模型
parser.add_argument("--device"， default="cuda"， type=str) # cuda
# parser.add_argument('--batch_size'， default = '1'， type = int)
parser.add_argument("--prn"， default=True， type=bool) # PRNet基于位置图回归网络的联合三维人脸重建与密集对齐
parser.add_argument("--color_only"， default=False， action="store_true")
parser.add_argument("--pattern_only"， default=False， action="store_true")
parser.add_argument(
"--input"，
type=str，
default="./imgs/non-makeup.png"，
help="Path to input image (non-makeup)"， # 输入图像
)
parser.add_argument(
"--style"，
type=str，
default="./imgs/style-2.png"，
help="Path to style image (makeup style | reference image)"， #妆容参考图像
)
parser.add_argument("--alpha"， type=float， default=0.5， help="opacity of color makeup") # Color妆容调整参数
parser.add_argument("--savedir"， type=str， default=".") # 输出保存路径
args = parser.parse_args(args=[])
print(" ⊱ ──────ஓ๑♡๑ஓ ────── ⊰")
print("🎵 hey， arguments are here if you need to check 🎵")
for arg in vars(args)：
print("{:>15}: {:>30}".format(str(arg)， str(getattr(args， arg))))
print()
return args
# 修改默认参数
args.input = "./imgs/non-makeup.png"
args.style = "./imgs/style-6.png"
args.alpha = 0.6
args
Namespace(alpha=0.6， checkpoint_color='./checkpoints/color.pth'， checkpoint_pattern='./checkpoints/pattern.pth'， color_only=False， device='cuda'， input='./imgs/non-makeup.png'， pattern_only=False， prn=True， savedir='.'， style='./imgs/style-6.png')
4.5可视化输入图像
图片转numpy格式
imgA = np.array(Image.open(args.input))
imgB = np.array(Image.open(args.style))
imgB = cv2.resize(imgB， (256， 256))
查看待处理图像及模板图像
Image.fromarray(np.concatenate([cv2.resize(imgA， (256， 256))，imgB]，axis=1))
4.6加载模型
传入参数，下载resnet50编码器，分别加载color及pattern预训练模型，输出对应UV Texture
PRNet论文所生成的所有人脸的texture都符合uv_face.png所有器官位置，比如鼻子一定会在texutre的鼻子那里，不管你是侧脸还是正脸，uv_kpt_ind.txt这里面定义的就是texture的人脸关键点位置，是固定的
根据uv_kpt_ind和UV位置映射图能找到人脸图(非纹理图)上的关键点
import matplotlib.pyplot as plt
def draw_kps(img，kps，point_size=2)：
img = np.array(img*255，np.uint8)
for i in range(kps.shape[0])：
cv2.circle(img，(int(kps[i，0])，int(kps[i，1]))，point_size，(0，255，0)，-1)
return img
uv_kpt_ind = np.loadtxt('./PRNet/uv-data/uv_kpt_ind.txt').astype(np.int32)
uv_face = plt.imread('./PRNet/uv-data/uv_face.png')
plt.imshow(draw_kps(uv_face，uv_kpt_ind.T))
plt.axis('off')
4.7迁移 Color 风格
Color Only
Color-Transfer Controllabl you can control the obviousness of color-transfer by alpha(0-1)
通过调整颜色参数可调整整体妆容的浓淡程度
def color_makeup(A_txt， B_txt， alpha)：
color_txt = model.makeup(A_txt， B_txt)
color = model.render_texture(color_txt)
color = model.blend_imgs(model.face， color * 255， alpha=alpha)
return color
4.8迁移 Pattern 风格
def pattern_makeup(A_txt， B_txt， render_texture=False)：
mask = model.get_mask(B_txt)
mask = (mask > 0.0001).astype("uint8")
pattern_txt = A_txt * (1 - mask)[：， ：， np.newaxis] + B_txt * mask[：， ：， np.newaxis]
pattern = model.render_texture(pattern_txt)
pattern = model.blend_imgs(model.face， pattern， alpha=1)
return pattern
output_pattern = pattern_makeup(A_txt， B_txt)
Image.fromarray(output_pattern)
4.9融合迁移Color + Pattern风格
def color_pattern_makeup(A_txt， B_txt， render_texture=False)：
color_txt = model.makeup(A_txt， B_txt) * 255
mask = model.get_mask(B_txt)
mask = (mask > 0.001).astype("uint8")
new_txt = color_txt * (1 - mask)[：， ：， np.newaxis] + B_txt * mask[：， ：， np.newaxis]
color_pattern = model.render_texture(new_txt)
color_pattern = model.blend_imgs(model.face， color_pattern， alpha=1)
return color_pattern
4.10输出图像处理
对图像进行裁剪
x2， y2， x1， y1 = model.location_to_crop()
x2， y2， x1， y1
(0， 249， 0， 236)
保存输出图像
save_path = os.path.join(args.savedir， "result.png")
Image.fromarray((output).astype("uint8")).save(save_path)
print("Completed Please check result in: {}".format(save_path))
4.11更换源图像和参考图像进行实验
案例图像存储路径为./imgs/
①点击左侧操作栏上传按钮，直接拖拽文件到指定区域或点击选择文件进行上传，参考下图
②参考下图，拖拽文件至左侧文件目录下
上传完图像之后，修改输入参数参数，重新运行6-10步
华为云Al Gallery“知识”+“实训”的AI开发社区 ，是在ModelArts的基础上构建的一个开发者社区
下图介绍了一下Al Gallery免费资产的使用流程
同时我们可以通过修改代码，或者通过相关案例记录的笔记分享到Al Gallery Notebook上，也可以通过优化代码来发布第二版、第三版等，让更多的开发者学习，以上是我的总结与分享，大家有什么问题的话可以在评论区进行互动交流
