FFHQ-Makeup

FFHQ-Makeup是一个大规模的配对合成面部妆容数据集，旨在支持虚拟试妆、妆容转移和与美丽相关的视觉任务研究。该数据集提供了配对的素颜和化妆面部图像，同时保持了不同主体和妆容风格之间身份和表情的一致性。数据集基于FFHQ数据集，使用先进的妆容转移管道将真实世界的妆容风格应用到18000个身份上，为每个主体生成五种不同的妆容风格。数据集保持了素颜和化妆图像之间的一致面部身份和表情，这对于妆容转移、面部编辑和美学分析等任务至关重要。

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: 合成面部化妆数据集
• 许可: CC-BY-NC-SA-4.0
• 基础数据集: FFHQ (Flickr-Faces-HQ)
• 维护方: CyberAgent AI Lab

数据集详情

• 规模: 18,000个身份
• 图像格式: JPEG
• 分辨率: 512×512像素
• 内容:
  • 每个身份包含:
    • 1张素颜图像
    • 5张不同化妆风格的图像
• 特点:
  • 保持身份和表情一致性
  • 图像对齐处理

数据来源

• 基础图像: 来自FFHQ数据集
• 化妆风格: 来自MT和LADN数据集及其他真实参考

主要用途

• 化妆转移与合成
• 虚拟化妆试妆系统
• 身份保持的图像生成
• 面部属性编辑
• 面部美学与美丽分析
• 解耦模型的训练与评估

使用限制

• 禁止商业用途

数据集结构

• 文件命名示例:
  • bare.jpg
  • makeup_01.jpg
  • makeup_02.jpg
  • makeup_03.jpg
  • makeup_04.jpg
  • makeup_05.jpg

创建方法

• 使用解耦化妆转移模型
• 保持身份一致性的化妆应用
• 每个素颜图像生成5种化妆风格

局限性

• 化妆风格有限
• 基于FFHQ的人口多样性不足
• 面部区域外可能出现伪影
• 人工筛选可能引入偏差

参考文献

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}, }

相关链接

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

搜集汇总

数据集介绍

构建方式

在计算机视觉领域，高质量配对数据集的稀缺性制约着妆容迁移研究的发展。FFHQ-Makeup基于FFHQ数据集精选18,000个身份样本，通过先进的解耦式妆容迁移模型，为每个素颜图像生成五种不同风格的妆容变体。该构建过程严格保持面部身份与表情的一致性，所有图像均经过对齐处理并统一为512×512像素的JPEG格式，确保了数据的规范性与可用性。

特点

该数据集的核心价值体现在其规模化的配对数据架构与高质量的视觉一致性。每个身份样本包含一张素颜图像与五张不同妆容风格的图像，形成了超过九万张图像的丰富集合。数据集覆盖多样化的妆容风格，所有图像均保持身份一致性和表情稳定性，为妆容迁移、虚拟试妆等任务提供了精准的对照基准。其结构化命名规范与标准化分辨率进一步提升了数据集的易用性。

使用方法

研究人员可通过官方GitHub仓库获取数据集访问权限，按照目录结构加载配对图像进行模型训练与验证。该数据集适用于妆容迁移、虚拟试妆系统、身份保持图像生成等多项计算机视觉任务。使用前需严格遵守CC-BY-NC-SA 4.0许可协议，禁止商业用途。建议通过引用相关论文的方式确认数据来源，并注意数据集在妆容风格多样性和人口统计分布方面存在的局限性。

背景与挑战

背景概述

在计算机视觉与人工智能领域，面部美化与虚拟试妆技术逐渐成为研究热点。FFHQ-Makeup数据集由CyberAgent AI实验室于2025年构建，基于NVIDIA此前发布的FFHQ数据集，通过高级化妆迁移技术生成了包含18,000个身份、每个身份配有一种素颜与五种化妆风格图像的大规模配对数据。该数据集致力于支持化妆迁移、虚拟试妆及人脸美学分析等任务，其身份与表情的一致性为相关研究提供了重要基础。

当前挑战

该数据集旨在应对真实场景中配对化妆数据的稀缺性与标注成本高昂的挑战，其构建过程中需克服化妆风格多样性有限、身份一致性保持以及图像合成真实性等技术难点。同时，基于FFHQ数据集的来源，其本身在人口多样性方面存在一定局限，且合成过程中可能引入非面部区域的视觉伪影，这些因素均为实际应用带来潜在约束。

常用场景

经典使用场景

在计算机视觉与图像生成领域，FFHQ-Makeup数据集广泛应用于虚拟化妆与面部编辑研究。该数据集通过提供身份与表情一致的高质量配对图像，支持多种化妆风格的迁移与合成实验。研究者可基于该数据集训练生成对抗网络（GAN）或扩散模型，实现精准的妆容迁移、风格解耦与身份保持，为美妆算法开发奠定数据基础。

衍生相关工作

FFHQ-Makeup催生了多项经典研究工作，包括基于注意力机制的妆容迁移网络、多风格解耦生成模型，以及结合CLIP等跨模态技术的语义驱动化妆编辑方法。这些工作显著提升了妆容迁移的真实性与多样性，并推动了人脸编辑技术向更精细化、可控化方向发展。

数据集最近研究

最新研究方向

在计算机视觉与虚拟美妆技术融合的背景下，FFHQ-Makeup数据集正推动多项前沿研究的发展。其高质量的身份一致性图像对为虚拟试妆系统提供了关键训练基础，尤其在跨域风格迁移与生成对抗网络的优化中表现突出。近期研究聚焦于多模态条件下的妆容解耦与重建，结合真实感渲染技术提升合成图像的自然度。该数据集亦支持人脸美学分析与个性化推荐算法的开发，呼应了数字美妆行业对智能化、可定制解决方案的迫切需求，对促进虚拟形象与元宇宙应用具有显著意义。