MakeupQuad

MakeupQuad是一个大规模、高质量的数据集，包含非化妆面部、参考图像、编辑结果和详细的化妆描述。该数据集支持全脸和局部化妆编辑，具有高身份和化妆一致性。它支持解耦学习，并支持EvoMakeup的高保真结果。

MakeupQuad is a large-scale, high-quality dataset containing non-makeup facial images, reference images, editing results, and detailed makeup descriptions. The dataset supports full-face and local makeup editing with high identity and makeup consistency. It facilitates decoupled learning and supports high-fidelity results for EvoMakeup.

原始信息汇总

EvoMakeup: High-Fidelity and Controllable Makeup Editing with MakeupQuad

数据集概述

• 数据集名称: MakeupQuad
• 类型: 化妆编辑数据集
• 特点: 大规模、高质量、四元组结构
• 内容: 包含无化妆面部、参考图像、编辑结果和详细化妆描述

数据集结构

• 四元组构成:
  • 源面部 (I)
  • 化妆参考 (M)
  • 编辑结果 (R)
  • 详细化妆描述 (D)

数据集特点

• 多样性:
  • 支持全脸、部分区域和指令驱动的化妆编辑
  • 包含日常、浓妆和特效等多种风格
  • 涵盖多种族样本
• 优势:
  • 规模更大
  • 质量更高
  • 任务多样性更丰富

应用场景

• 化妆编辑类型:
  • 全脸化妆编辑
  • 部分区域化妆编辑
  • 组合编辑（使用一个或多个参考的多个区域）
  • 基于指令的化妆编辑（包括应用和移除）
• 跨领域应用:
  • 真实面部与合成面部互作参考
  • 抽象/非面部图像作为参考
  • 风格化卡通角色作为输入

技术基础

• 构建方法:
  • 使用GPT-4v生成描述
  • 基于FLUX的身份多样化无化妆图像
  • SeedEdit-based编辑
  • 修复技术创建参考图像

引用信息

bibtex @misc{wu2025evomakeuphighfidelitycontrollablemakeup, title={EvoMakeup: High-Fidelity and Controllable Makeup Editing with MakeupQuad}, author={Huadong Wu and Yi Fu and Yunhao Li and Yuan Gao and Kang Du}, year={2025}, eprint={2508.05994}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2508.05994}, }

搜集汇总

数据集介绍

构建方式

在计算机视觉与美妆图像处理领域，MakeupQuad数据集的构建采用了创新的四元组架构。该数据集通过GPT-4v生成详细妆容描述，结合FLUX数据集提供的多样化素颜图像作为基础，采用SeedEdit编辑技术和图像修复技术生成妆容参考图像。特别值得注意的是，其构建流程包含粗粒度全脸数据集生成、区域特异性筛选、以及基于任务逆向与数据平衡策略的迭代优化，形成了包含源图像、参考图像、编辑结果和文本描述的结构化数据体系。

特点

作为首个高分辨率四元组美妆数据集，MakeupQuad的突出特点体现在其完整的数据结构和多维度的应用支持。每个数据单元包含源面部、妆容参考、编辑结果及文本描述四要素，实现了身份信息与妆容特征的解耦。数据集覆盖全脸编辑、局部区域修饰以及文本引导编辑等多种任务场景，包含日常妆、浓妆、特效妆等多样化风格，并涵盖多民族面部特征。相较于现有数据集，其在规模、质量和任务多样性方面均具有显著优势，为高保真度妆容编辑研究提供了坚实基础。

使用方法

该数据集的使用需结合其四元组数据结构特性。研究人员可通过源图像与参考图像的配对实现妆容迁移任务，利用文本描述字段支持自然语言驱动的编辑研究。对于局部妆容编辑，建议采用数据集提供的区域标注信息进行模型微调。在跨域应用场景下，数据集支持将真实人脸与合成图像互为参考，并可结合抽象图像进行创意妆容生成。使用过程中应注意区分全脸编辑模型与局部编辑模型的训练数据划分，以充分发挥数据集的多元化价值。

背景与挑战

背景概述

MakeupQuad数据集由ByteDance的研究团队于2025年推出，作为首个基于四元组结构的大规模高分辨率美妆编辑数据集，其核心目标在于解决数字美妆领域中的高保真度与可控性编辑问题。该数据集通过整合无妆容面部图像、参考图像、编辑结果及详细美妆描述，构建了支持全脸、局部区域和指令驱动编辑的多功能框架。基于GPT-4v生成描述和FLUX数据集的身份多样化素材，研究团队采用SeedEdit编辑与修复技术建立参考图像，显著提升了身份保持与妆容一致性的研究基准。该数据集对计算机视觉领域的美妆迁移、跨域生成等任务具有重要推动作用，其创新性的四元组结构为解耦学习提供了新的范式。

当前挑战

在解决美妆编辑领域的关键问题时，MakeupQuad需应对三大核心挑战：其一，跨身份妆容迁移中如何平衡妆容保真度与身份特征保留的冲突，现有方法常导致细节丢失或身份扭曲；其二，局部编辑任务需克服区域间色彩扩散与纹理不连贯的技术瓶颈，尤其在眼妆、唇妆等精细部位表现明显。数据集构建过程中，研究团队面临合成数据与真实场景的泛化性差距，需通过多阶段蒸馏框架迭代优化；同时，大规模高质量四元组标注依赖GPT-4v与MLLM的协同过滤，对噪声数据的清洗和语义对齐提出极高要求。这些挑战促使EvoMakeup框架引入任务逆向与数据平衡策略，以突破传统GAN和扩散模型在复杂妆容迁移中的性能局限。

常用场景

经典使用场景

在计算机视觉领域，MakeupQuad数据集为高保真度的妆容编辑任务提供了丰富的资源。该数据集通过包含无妆容面部图像、参考图像、编辑结果及详细的妆容描述，支持全脸和局部妆容的精细编辑。其经典使用场景包括训练和评估妆容迁移算法，确保算法在保持身份一致性的同时，实现高质量的妆容效果。

实际应用

在实际应用中，MakeupQuad数据集为虚拟试妆、影视特效和美容行业提供了强大的技术支持。基于该数据集训练的模型能够实现跨域和创意妆容编辑，例如将抽象图像或卡通角色的妆容迁移到真实人脸上。这种技术不仅提升了用户体验，还为个性化美容服务开辟了新的可能性。

衍生相关工作

MakeupQuad数据集衍生了多项经典工作，其中最突出的是EvoMakeup框架。该框架通过迭代优化数据和模型质量，实现了高保真度的妆容编辑。此外，基于该数据集的研究还推动了多模态学习（如文本引导的妆容编辑）和跨域迁移技术的发展，为计算机视觉和人工智能领域注入了新的活力。