BeautyGAN图片的高精度美颜

美颜：https://github.com/Honlan/BeautyGAN，还需要按照md下载模型就可使用
提高精度：https://github.com/TencentARC/GFPGAN，还需要按照md下载一些包就可使用

美颜：
1.使用网络：cycleGAN循环生成对抗网络
2.传统特性：利用生成器网络G生成目标图，并用判别器D判断生成的图像是否为真，它会对生成器所产生的假目标做惩罚并对真目标进行奖励
3.生成器：左边的生成模型G，首先素颜图像和参考图像经过不同的两组卷积提取特征，然后concatenate到一起，输入residual block中，接着两组反卷积将输出的feature map上采样，结果是将原来的素颜图像“上妆”，而参考图像“卸妆”。右边的生成模型G与左边结构相同实现复原。
4.判别器：上下两个判别模型D分别判断是否为真实的带妆图像或者素颜图像。
5.损失函数包含：
①GAN的损失函数（也就是两个判别器的损失之和）
生成器网络：分别卷积 + Concatenate（连接）+ 卷积全连接层 + 分别反卷积
判别器：卷积
损失函数：D（）好像是判别器的输出

②cycle consistency loss（将生成的结果再次放回生成器，然后与输入图像做像素间的重构损失）
让重构回去的图像和最开始输入的图像要尽可能的一样，也就是经过两个生成器后（经历了一个cycleGAN后）生成的图片与原图片的distance最小
③perceptual loss（将同一人的妆前妆后图一起丢到VGGnet中，然后通过对输出的语义向量做损失从而保证身份的一致性）
用的VGG16，VGG模型学习链接如下：
https://blog.csdn.net/qq_42012782/article/details/123222042
④makeup loss（将面部先做语义分割，分成底妆，口红和眼影，然后对每个区域做颜色损失）
语义分割 + 直方图匹配
语义分割用的是FCN（全卷积神经网络）https://blog.csdn.net/wrk226/article/details/123255122?spm=1001.2014.3001.5502
直方图匹配好像也是上面的方法
6.参考文献：BeautyGAN: Instance-level Facial Makeup Transfer with DeepGenerative Adversarial Network
7.参考博客：
https://blog.csdn.net/qq_30209907/article/details/94023802
https://blog.csdn.net/wrk226/article/details/123256887（这个博客提供的连接里，有论文附件，附件中有G和D的网络结构表）
8.参考github，这里有训练好的可以直接用的模型，但没有训练模型：
https://github.com/Honlan/BeautyGAN

提高精度：
看不懂哇，前面的区域以后再来探索吧