华为云算法零门槛：零基础教你AI试伊妆

原创

程思扬_ 2022-08-29 22:50:43 ©著作权

文章标签 人工智能华为云算法华为经验分享 文章分类 数据结构与算法人工智能

©著作权归作者所有：来自51CTO博客作者程思扬_的原创作品，请联系作者获取转载授权，否则将追究法律责任

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

华为云算法零门槛：零基础教你AI试伊妆_华为云

接下来我们看看Paper所讲的内容

华为云算法零门槛：零基础教你AI试伊妆_经验分享_02

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

华为云算法零门槛：零基础教你AI试伊妆_人工智能_03

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

华为云算法零门槛：零基础教你AI试伊妆_人工智能_04

华为云算法零门槛：零基础教你AI试伊妆_人工智能_05

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

华为云算法零门槛：零基础教你AI试伊妆_经验分享_06

华为云算法零门槛：零基础教你AI试伊妆_经验分享_07

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

华为云算法零门槛：零基础教你AI试伊妆_人工智能_08

接下来是Color & Pattern& Color-Pattern呈现效果

华为云算法零门槛：零基础教你AI试伊妆_经验分享_09

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)

华为云算法零门槛：零基础教你AI试伊妆_人工智能_10

• 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

华为云算法零门槛：零基础教你AI试伊妆_经验分享_11

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：

华为云算法零门槛：零基础教你AI试伊妆_人工智能_12

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

华为云算法零门槛：零基础教你AI试伊妆_算法_13

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

华为云算法零门槛：零基础教你AI试伊妆_人工智能_14

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

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

# 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

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

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))