“ 每个不会化妆的小姐姐，都有一个变成小仙女的梦想**”**
01
—
BeautyGAN
本公众号之前发的文章《如何用 TensorFlow 实现 GAN》有 GAN 的介绍。这篇文章介绍的 BeautyGAN 是清华-伯克利深圳学院、中科院、商汤联合发表的用于自动为脸部上妆的特征迁移网络，输入两张图，一张为没有化妆的人脸图片（non-makeup），另一张为参考人脸图片（reference），经过特征迁移网络后输出上妆后的人脸图片，流程如下图所示：
中间特征迁移网络的架构如下图所示：
传统意义上的 GAN 只包括一个生成器 G 和一个鉴别器 D，二者在互相对抗中不断提升自身能力。从上图看到，BeautyGAN 包括一个生成器（G）和两个鉴别器（DA，DB）。其中生产器需要先将输入图片和参考图片做一次特征迁移，得到两个输出图片，分别对应输入上妆图和参考卸妆图，鉴别器 DA 用于判断参考卸妆图是否为真实图片，鉴别器 DB 用于判断输入上妆图是否为真实图片。输入上妆图和参考卸妆图再次送入生成器 G，得到重建(或还原)图片，理论上重建的图片应当与原始输入图片、参考图片是完全相同的，将它们之间的差异作为 cycle consistency loss 计入生成器 loss，训练时使之最小化。
BeautyGAN 优势在于实现了端到端训练，效果好，产生的图像能以假乱真。不信可以看看下面这组图片：
拿超越小姐姐的图片作为输入（第二行第一列），分别同 9 张不同化妆风格的参考图片（第一行图片）经过 BeautyGAN，生成结果见对应参考图片下方，可以看到生成图片的质量近乎真实照片。那么问题来了，哪种风格最适合超越小姐姐？
02
—
动手实践
官方网站【1】提供了训练数据 MT DATASET，包括 3834 张图片，其中 1115 张未上妆图片和 2719 张上妆图片，分辨率均为 256 x 256。然而遗憾的是官方没有公开训练代码和模型。热心的知乎网友 @张宏伦 奉献了自己复现该论文的 TensorFlow 工程【2】，可以下载预训练模型，快速搭建一个 demo。
工程代码已放到 Github ：https://github.com/Honlan/BeautyGAN
预训练模型已放到百度网盘：https://pan.baidu.com/s/1wngvgT0qzcKJ5LfLMO7m8A，提取码 7lip；下载该模型，在工程目录新建文件夹 model，将模型文件放于其中。
软件环境： Python3.6 + TensorFlow1.9 （实测 TF 1.13 也是可以的）
项目中包括 11 张无妆图片（imgs/no_makeup），以及 9 张有妆图片（imgs/makeup）；
工程目录结构如下：
运行命令：
python main.py --no_makeup ycy.png
你可以把上面 ycy.png 换成其他人脸图片，看看化妆效果如何。
参考：
【1】 http://liusi-group.com/projects/BeautyGAN
【2】 https://zhuanlan.zhihu.com/p/67523051