FFHQ-Makeup

FFHQ-Makeup是一个高质量的合成化妆数据集，旨在解决现有化妆数据集在真实感、多样性和一致性方面的不足。该数据集基于FFHQ数据集，使用改进的化妆转移方法将现实世界中的化妆风格转移到18K个身份上，每个身份配对5种不同的化妆风格，总计90K个高质量的无妆-化妆图像对。FFHQ-Makeup旨在为虚拟试妆、面部隐私保护和面部美学分析等美妆相关任务提供宝贵的资源。

FFHQ-Makeup is a high-quality synthetic makeup dataset designed to address the limitations of existing makeup datasets in terms of realism, diversity and consistency. Built upon the FFHQ dataset, it utilizes an improved makeup transfer approach to transfer real-world makeup styles onto 18K unique identities, with each identity paired with 5 distinct makeup styles, yielding a total of 90K high-quality makeup-free and makeup image pairs. FFHQ-Makeup aims to provide a valuable resource for makeup-related tasks such as virtual try-on, facial privacy protection and facial aesthetic analysis.

原始信息汇总

FFHQ-Makeup: Paired Synthetic Makeup Dataset with Facial Consistency Across Multiple Styles

数据集基本信息

• 作者: Xingchao Yang, Shiori Ueda, Yuantian Huang, Tomoya Akiyama, Takafumi Taketomi
• 发表年份: 2025
• 发表平台: Arxiv
• 状态: To appear

数据集特点

• 包含成对的合成化妆数据
• 支持多种化妆风格
• 保持面部一致性

相关资源

• [Project] [Code] [Dataset]

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，通过改进的化妆迁移方法，将真实世界的化妆风格从现有数据集转移至18K个不同身份的面部图像上。该方法利用3D Morphable Model（3DMM）拟合技术，从单一化妆图像中重建出近似素颜面部，从而解耦身份与化妆特征。每个身份被配对以5种不同的化妆风格，最终生成共计90K对高质量的素颜-化妆图像对。为确保数据质量，构建过程中还进行了人工筛选，剔除了视觉伪影或失败的案例。

使用方法

FFHQ-Makeup数据集适用于多种美容相关任务，如虚拟试妆、面部隐私保护和面部美学分析等。研究人员可利用该数据集训练和评估化妆迁移、面部识别及化妆效果分析等算法。数据集中的配对图像为模型提供了高质量的监督信号，有助于提升算法在真实场景中的泛化能力。使用该数据集时，建议结合其提供的化妆风格多样性和面部一致性特点，进行多任务学习和跨域适应性研究。

背景与挑战

背景概述

FFHQ-Makeup数据集由CyberAgent与庆应义塾大学的研究团队于2025年提出，旨在解决美容相关计算机视觉任务中高质量成对素颜-化妆面部数据的稀缺问题。该数据集基于多样化FFHQ数据集构建，通过改进的化妆迁移技术将真实化妆风格与18K个身份配对，每个身份包含5种不同化妆风格，总计生成90K对高保真图像。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）解耦身份与化妆特征，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

领域挑战方面，现有化妆数据集普遍面临三大瓶颈：真实场景数据采集受限于配对图像的规模与隐私问题；基于形变的合成方法易导致面部几何失真；文本到图像生成技术则难以保持身份一致性。构建过程中，研究团队需攻克三维人脸重建精度、化妆残差的特征解耦、跨身份风格迁移等关键技术难题，尤其需平衡化妆真实性（P_makeup）、身份多样性（P_diversity）与配对一致性（P_consistency）的三角约束。最终通过3DMM引导的残差表示与重渲染增强策略，实现了对源图像面部结构的有效剥离与化妆特征的纯净迁移。

常用场景

经典使用场景

FFHQ-Makeup数据集在计算机视觉领域的美容相关任务中展现出广泛的应用潜力，特别是在虚拟试妆、面部隐私保护和面部美学分析等场景中。该数据集通过提供高质量的配对裸妆与化妆图像，为研究人员提供了丰富的实验材料。在虚拟试妆方面，数据集的多风格化妆配对使得模型能够学习到不同化妆风格下的面部特征变化，从而生成更加逼真的试妆效果。面部隐私保护任务则利用化妆风格的变化来掩盖原始面部特征，增强隐私保护效果。此外，面部美学分析通过对比裸妆与化妆图像，深入探究化妆对美感认知的影响机制。

解决学术问题

FFHQ-Makeup数据集有效解决了美容相关研究中缺乏高质量配对数据的瓶颈问题。传统方法在数据采集上面临规模小、配对不一致等挑战，而该数据集通过合成方法生成了18K个身份各配5种化妆风格的90K图像对，确保了数据的多样性和一致性。这一创新不仅填补了学术空白，还为深度学习模型提供了充足的训练样本，显著提升了模型在化妆迁移、面部识别等任务中的泛化能力和鲁棒性。数据集的高保真度和结构一致性为后续研究奠定了坚实基础。

实际应用

在实际应用层面，FFHQ-Makeup数据集为美容行业的数字化转型提供了强大支持。美妆品牌可利用该数据集开发智能试妆应用，消费者通过上传照片即可预览不同风格的化妆效果，提升购物体验。在影视特效领域，数据集可用于快速生成演员的特定妆容效果，大幅缩短化妆测试时间。安全领域则通过化妆风格的多样性增强面部匿名化技术，保护用户隐私。社交媒体平台也能基于数据集开发实时美颜滤镜，满足用户对个性化妆容的需求。

数据集最近研究

最新研究方向

近年来，FFHQ-Makeup数据集在计算机视觉领域引起了广泛关注，特别是在虚拟试妆、面部隐私保护和面部美学分析等应用场景中。该数据集通过创新的3DMM引导残差表示和面部重渲染增强技术，成功解决了现有合成方法在真实感和面部一致性方面的不足。前沿研究主要集中在如何进一步提升生成模型的细节保留能力，以及在跨种族、跨年龄等多样化场景下的泛化性能。热点应用包括结合扩散模型实现高保真妆容迁移，以及探索其在元宇宙数字人形象定制中的潜力。该数据集的发布为妆容相关研究提供了标准化基准，显著推动了人脸编辑技术的实用化进程。

相关研究论文

• FFHQ-Makeup: Paired Synthetic Makeup Dataset with Facial Consistency Across Multiple Styles

  赛博格公司, 慶應義塾大學 · 2025年