FFHQ-Makeup

FFHQ-Makeup 是一个高质量的合成化妆数据集，包含18K身份，每个身份配对5种不同的化妆风格，总共90K高质量裸妆-化妆图像对。该数据集基于多样化的 FFHQ 数据集，通过改进的化妆转移方法，将现实世界的化妆风格从现有数据集转移到18K身份上，同时保持身份和表情的一致性。该数据集旨在解决现有化妆数据集在真实性、多样性和一致性方面的不足，为未来与美容相关的研究提供有价值的资源。

FFHQ-Makeup is a high-quality synthetic makeup dataset containing 18K unique identities. Each identity is paired with 5 distinct makeup styles, totalling 90K high-quality bare-makeup vs. makeup image pairs. Built upon the diverse FFHQ dataset, this dataset transfers real-world makeup styles from existing datasets onto these 18K identities via improved makeup transfer methods, while preserving identity and facial expression consistency. This dataset aims to address the shortcomings of existing makeup datasets in terms of authenticity, diversity and consistency, providing a valuable resource for future beauty-related research.

原始信息汇总

FFHQ-Makeup数据集概述

数据集基本信息

• 名称: FFHQ-Makeup
• 类型: 图像数据集
• 许可协议: CC-BY-NC-SA-4.0
• 创建者: CyberAgent AI Lab
• 基础数据集: FFHQ (Flickr-Faces-HQ)

数据集描述

FFHQ-Makeup是一个大规模成对合成面部化妆数据集，专为支持虚拟试妆、化妆迁移和美容相关视觉任务的研究而设计。该数据集提供成对的素颜-化妆面部图像，同时保持不同主题和化妆风格的身份和表情一致性。

数据集结构

• 图像数量: 18,000个主题
• 每个主题包含:
  • 1张素颜图像
  • 5张化妆图像（不同风格）
• 图像规格:
  • 分辨率: 512×512像素
  • 格式: JPEG
  • 对齐且身份一致

数据来源

• 基础图像: 来自FFHQ数据集
• 化妆风格: 来自各种化妆数据集或真实世界参考

主要用途

• 化妆迁移和合成
• 虚拟化妆试妆系统
• 身份保持的图像生成
• 面部属性编辑
• 面部美学和美容分析
• 解耦模型的训练和评估

限制用途

• 商业用途: 受非商业许可限制

数据集创建

• 创建理由: 解决真实世界成对素颜-化妆面部数据稀缺问题
• 处理方法:
  • 从FFHQ选择面部图像
  • 使用解耦化妆迁移模型应用真实化妆
  • 每个素颜面部转换为五种不同化妆风格

局限性和风险

• 化妆风格有限
• 可能缺乏全球人口多样性
• 面部区域外可能出现伪影
• 质量控制可能引入偏差

引用信息

bibtex @inproceedings{yang_2025_ffhq_makeup, title={FFHQ-Makeup: Paired Synthetic Makeup Dataset with Facial Consistency Across Multiple Styles}, author={Xingchao Yang and Shiori Ueda and Yuantian Huang and Tomoya Akiyama and Takafumi Taketomi}, booktitle={arXiv}, year={2025}, }

相关资源

• 代码仓库: https://github.com/YangXingchao/FFHQ-Makeup
• 论文: https://www.arxiv.org/abs/2508.03241
• 项目页面: https://yangxingchao.github.io/FFHQ-Makeup-page/

搜集汇总

数据集介绍

构建方式

FFHQ-Makeup数据集构建于多样化的FFHQ数据集基础之上，通过引入改进的化妆迁移方法，将现实中的化妆风格从现有数据集迁移至18K个不同身份的面部图像上。该方法有效解耦了身份特征与化妆风格，确保每张素颜图像与5种不同化妆风格配对，最终形成总计90K对高质量素颜-化妆图像对。构建过程中采用3D可变形模型(3DMM)拟合技术，从单张化妆图像重建近似素颜面部，并通过残差表示和重渲染增强策略，实现化妆特征的跨身份迁移。

特点

FFHQ-Makeup数据集具有三大核心特征：化妆真实性方面，通过移植真实化妆风格并采用精细化后处理，确保纹理、色彩及空间布局的自然度；身份多样性方面，继承FFHQ数据集的广泛人口统计学特征，涵盖不同种族、年龄、性别及表情；配对一致性方面，借助3DMM的结构控制与残差解耦技术，在保持身份与表情不变的前提下实现多风格化妆变换。数据集包含18K个身份各配5种风格的设计，在规模与质量上均超越现有资源。

使用方法

该数据集适用于三大应用场景：美妆虚拟试妆研究中，可作为基准测试集评估算法在保持身份一致性的化妆迁移性能；面部隐私保护领域，能支持对抗性化妆生成算法的开发；美容分析方向，可为妆容美学评估提供多风格对照数据。使用时需注意：1) 化妆风格来源于MT和LADN数据集，应用时需考虑原始数据分布；2) 建议配合提供的3DMM参数共同使用，以充分利用结构控制信息；3) 对于服装颜色等非面部区域的变异，需通过后处理进行标准化。

背景与挑战

背景概述

FFHQ-Makeup数据集由CyberAgent和Keio University的研究团队于2025年提出，旨在解决美容相关计算机视觉任务中高质量配对化妆数据稀缺的问题。该数据集基于著名的FFHQ人脸数据集，通过改进的化妆迁移技术，将真实化妆风格移植到18,000个身份上，每个身份配以5种不同化妆风格，共生成90,000对高质量素颜-化妆图像对。作为首个专注于多风格化妆配对的合成数据集，其创新性地采用3D形变模型（3DMM）分离面部结构与化妆特征，显著提升了面部一致性与化妆真实感，为虚拟试妆、面部隐私保护等应用提供了重要基准。

当前挑战

该数据集主要面临双重挑战：在领域问题层面，现有化妆数据集普遍存在规模受限、配对缺失或面部一致性差等问题，而真实数据采集又受隐私和成本制约；在构建技术层面，传统基于形变的方法易导致面部几何失真，文本生成方法则难以保持身份一致性，且语言描述无法精确捕捉眼影渐变等细微化妆特征。FFHQ-Makeup通过3DMM残差表示和重渲染增强策略，有效解耦了面部结构与化妆外观，但仍需人工过滤3DMM拟合误差带来的异常样本，并在服装颜色迁移等非面部区域控制上存在改进空间。

常用场景

经典使用场景

在计算机视觉领域，FFHQ-Makeup数据集为化妆风格迁移研究提供了高质量的基准数据。该数据集通过将真实化妆风格移植到多样化的面部身份上，构建了18K个身份各配5种化妆风格的90K图像对，为虚拟试妆、面部隐私保护等任务提供了标准化的实验平台。其独特的多风格配对设计使得研究人员能够系统性探索化妆对身份识别、表情分析的影响。

解决学术问题

FFHQ-Makeup有效解决了化妆研究中三个关键学术问题：首先，通过3DMM引导的残差解耦技术，克服了传统方法中身份特征与化妆风格的纠缠问题；其次，采用重渲染增强策略消除了源面部结构的残留伪影；最后，基于扩散模型的生成框架在保持面部几何一致性的同时，实现了更精细的化妆细节迁移。这些突破为可解释的化妆特征学习提供了新的研究范式。

衍生相关工作

FFHQ-Makeup推动了多个衍生研究方向：基于其3DMM残差表示，后续工作开发了细粒度化妆属性编辑工具；受其多风格配对启发，研究者提出了跨域化妆风格插值方法；其解耦思想还被扩展应用于面部光照分离任务。数据集支撑的Stable-Makeup改进框架，已成为新一代化妆迁移算法的基准架构。