【云驻共创】华为云算法零门槛:教你AI试伊妆

举报
程思扬 发表于 2022/08/25 22:32:53 2022/08/25
【摘要】 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

声明:本篇文章部分资料来自直播《华为云算法工程师零门槛教学 》佳人秀色空绝世,我用AI试伊妆 ,本课程为钻石课程的第五课,由华为云算法工程师的右又老师直播讲解


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

1. 综合的妆容迁移方法,适用于轻盈以及极致的风格

2. 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

3. 引入了一个新的makeuptransfer的数据集,包含极致风格的妆容效果

4. 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



接下来我们看看Paper所讲的内容

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

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

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


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

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


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)


• 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


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:



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



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




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

https : //developer.huaweicloud.cn/develop/aigallery/home.html


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

本文整理自华为云社区【内容共创】活动第19期
https : //bbs.huaweicloud.cn/blogs/370132
任务17:华为云算法工程师零门槛教学 佳人秀色空绝世,我用AI试伊妆



【版权声明】本文为华为云社区用户原创内容,转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息, 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。