输出：瘦脸参数，按参数给出对应瘦脸效果

优点：不需要模型训练，速度快；

缺点：效果一般，无法真正根据用户特有的脸型，得到最佳的瘦脸效果；

方案二 Image-to-Image Translation条件生成

思路：这种方法主要基于GAN网络，根据输入用户人像照片，直接输出人脸瘦脸之后的效果图。

实现方案推荐：Pix2Pix

输入：原始人脸 + 瘦脸强度 Mask/编码(可选)

输出：瘦脸后人脸

优点：自动学习皮肤纹理补偿，避免拉伸伪影

缺点：需要 paired 数据（原脸→瘦脸 GT），数据制作是个难点，数据的好坏直接影响效果的好坏；

输入：原始人脸 + 瘦脸强度 Mask/编码(可选)

输出：瘦脸后人脸

优点：自动学习皮肤纹理补偿，避免拉伸伪影

缺点：需要 paired 数据（原脸→瘦脸 GT），数据制作是个难点，数据的好坏直接影响效果的好坏；

这类算法，目前用于一般性的手机修图没有问题，但是对于影楼修图行业，人脸图像区域>1000×1000的情况，效果就显得比较模糊，可以看出生成痕迹，分辨率越大，对比越明显；

方案三 关键点回归

思路：我们通过深度学习网络来学习瘦脸关键点，用户输入一张照片，进行人脸关键点检测，网络输入人脸关键点信息，自动输出瘦脸后的关键点，然后根据瘦脸前后关键点做人脸变形，得到瘦脸效果图。

实现方案推荐：

网络结构：MLP 或 轻量 UNet-like Graph 网络

输入：原图关键点（可归一化到 [0,1]）

输出：瘦脸关键点，根据关键点得到瘦脸效果图

损失函数：

网络结构：MLP 或 轻量 UNet-like Graph 网络

输入：原图关键点（可归一化到 [0,1]）

输出：瘦脸关键点，根据关键点得到瘦脸效果图

损失函数：

优点：实现简单，训练数据量不需要太大，可用于影楼高分辨率大图的处理；

优点：实现简单，训练数据量不需要太大，可用于影楼高分辨率大图的处理；

以68个人脸关键点为例，网络结构举例如下：

方案四 偏移学习

思路：基于方案二，我们不进行关键点的直接回归，而是进行关键点偏移量的学习，将人脸关键点输入网络，输出要达到瘦脸效果所对应的关键点偏移量，然后，根据偏移量对图像进行Warp，得到瘦脸效果；

与直接回归相比，学习形变偏移更稳定，训练模型预测偏移量，再与原点位相加得到瘦脸点位。

偏移量计算：

同时，也可添加强度控制：

本文在这里，将以这种方案为例，进行详细讲解，并用tf.keras来实现整个算法。

模型训练

原理

数据集构建

我们以68人脸关键点为例，假设你有以下 numpy 数据文件：

可以先计算偏移量 ΔK：

模型构建

这里我们使用简单的 MLP 预测关键点偏移量，大家也可以自行使用更为复杂的网络设计，这里仅做举例：

模型训练

推理与瘦脸效果关键点合成

瘦脸变形

有了瘦脸前后的关键点，我们就可以使用 Thin Plate Spline (TPS) 或 Piecewise Affine Warp来进行人脸变形，得到最终的瘦脸效果：

上面就是基于瘦脸关键点偏移学习的AI瘦脸方案的完整介绍。最后，给个效果示例：

本文介绍的几种方案，都是个人在实践经验积累中，感觉相对而言比较可行，可用的方案。其中对于关键点部分，并不局限于2D关键点，也可使用3D关键点，在3D空间进行Warp，效果会更好。

实际上，大家对于人脸美型类的研究一直都未停止，除了本文的几种方法，还有很多其他的方法和论文，比如以下几篇论文：

《Deep Shapely Portraits》

《Face shape transfer via semantic warping》

《Parametric Weight-change Reshaping for Portrait Images》

大家有兴趣可自行研究。返回搜狐，查看更多