妆容迁移是计算机视觉领域前沿的热点研究方向,属于风格迁移与人脸图像处理的范畴,旨在将任意目标妆容迁移到指定人脸图像上。妆容迁移不仅包括人脸对齐与色彩迁移等工作,而且要考虑到不同人脸的光影以及纹理差异。大量学者对妆容迁移问题展开研究,已经取得了一定成果,但依然存在着一些挑战。如迁移模型难以同时应对风格差距较大的妆容迁移;算法对图像质量要求较高,阴影、遮挡以及姿态表情的差异会降低妆容迁移的质量;图像的特征纠缠对妆容迁移效果的影响较大等等。针对上述问题,本文主要研究内容包括:1.针对传统妆容迁移算法难以应对风格差异较大的妆容迁移问题,提出了基于自适应实例归一化的妆容迁移算法（Adaptive Cycle Generative Adversarial Network,ACGAN）。ACGAN以循环生成对抗网络为框架,引入自适应实例归一化技术对生成器进行优化,该模型能够在保证素颜身份的前提下,完成不同风格的妆容迁移任务。在跨风格妆容数据集上的实验结果表明,改进的网络对于不同风格妆容的学习能力有所提高,能较好的处理妆容迁移任务。2.针对现实中不同姿态表情以及阴影对妆容迁移效果的影响问题,提出了基于自注意力机制的妆容迁移算法（Self-attention ACGAN,SACGAN）。该算法模型在ACGAN的基础上,增加了自注意力修复模块以及妆容形变模块,对人脸妆容进行阴影修复与形变对齐,以增强受污染图像的妆容迁移效果。实验结果表明该算法降低了姿态不一致以及图像阴影对迁移效果的影响,提高了算法的鲁棒性。3.针对特征纠缠造成的迁移图像颜色失真、妆容涂抹问题,结合戏曲妆容的特点,提出了基于潜在空间解耦的妆容迁移算法（Style-disentangling ACGAN,Style-ACGAN）。通过映射网络以及自适应实例归一化对图像特征进行隐空间解耦,以指导完成妆容迁移任务并降低特征纠缠对迁移效果的影响。实验结果表明,特征解耦的引入使得该算法色彩迁移的能力得到了强化,进一步提高了妆容迁移效果。