妆容风格迁移旨在将指定的任意妆容风格迁移到素颜人脸上,使得素颜人脸的妆容风格与指定风格相同,并且保持素颜人脸原有的身份信息不变。随着深度学习的快速发展,基于深度生成模型的妆容风格迁移算法已经可以生成真实且自然的妆容迁移效果。然而现有的妆容风格迁移算法大多只适用于生活妆的迁移,对于色彩更加丰富、结构更加复杂的艺术妆,比如戏曲妆、节日妆、创意妆等,这些方法的迁移结果并不令人满意。艺术妆容可根据其内部颜色细节划分为多个不同区域,本文在此将这些区域称为子妆容,每个子妆容内部像素的色彩相似。这些子妆容和它们之间的边界可构成整体妆容的形状信息。为了改善针对艺术妆的迁移效果,提高迁移结果的妆容和参考妆容在色彩和形状上的相似性,本文提出了基于妆容划分的艺术妆容风格迁移算法。论文主要的研究内容如下:1)在妆容风格迁移任务中,给定的素颜图像和参考妆容图像并非成对数据,缺少素颜图像中的人物带有参考妆容的图像,这使得选取一个合适的妆容差异损失函数在妆容风格迁移任务中尤为重要。现有的妆容差异损失函数基于直方图匹配算法,缺少妆容位置信息以及妆容形状信息,只适用于生活妆的迁移,在迁移艺术妆时容易丢失部分妆容信息,迁移结果中存在妆容缺失问题。对此,本文提出利用色彩和纹理的多尺度妆容差异损失函数,从损失函数的角度约束生成结果妆容的色彩和形状,提高生成结果妆容和参考妆容的相似性。本文提出一种利用色彩和纹理的多尺度妆容差异度量算法用于计算妆容差异损失。对于给定的素颜图像和参考妆容图像,首先利用人脸关键点检测算法和图像变形算法生成伪上妆图像,然后分别提取生成图像和伪上妆图像的色彩及纹理信息,在不同分块尺度下计算它们的妆容差异,以此作为损失,通过最小化损失函数使迁移结果与参考图像的妆容相似。实验结果显示,利用本文所提出的妆容差异损失函数训练生成模型,可在一定程度上改善妆容缺失的问题。2)尽管使用本文所提出的妆容差异损失函数可以在一定程度上改善妆容缺失的问题,但对于部分艺术妆容,仅改进损失函数不足以使迁移结果的妆容与参考妆容在形状上相似。对此,本文提出基于妆容划分和子妆容归一化的妆容风格迁移网络,从网络结构的角度进一步约束生成结果妆容的色彩和形状,提高生成结果妆容和参考妆容的相似性。对于给定的素颜图像和参考妆容图像,模型首先通过自组织映射算法将伪上妆图像的整体面部妆容根据色彩划分为多个子妆容,使得色彩相似的像素被划分到同一子妆容内。在此基础上,本文提出子妆容归一化层,根据妆容划分结果对神经网络的中间特征图进行归一化操作,通过子妆容归一化的方式维持生成结果中子妆容内部的一致性,进而保持子妆容间的边界信息,最终使得生成结果与参考妆容在色彩和形状上相似。实验结果表明,结合本文所提妆容差异损失函数和妆容风格迁移网络,可有效改善迁移艺术妆容的效果。在定量实验中,本文算法在定量评价指标FID和LPIPS以及SSIM中均取得了较好的结果。相比于妆容迁移的经典算法Beauty GAN,本文算法在FID指标和LPIPS指标上有明显降低（FID和LPIPS得分越低,结果越好）。相比针对艺术妆的最新妆容迁移算法LADN,本文算法在迁移结果与其相近的情况下,相对素颜人脸的SSIM指标有明显提高（SSIM得分越高,结果越好）。在定性实验中,相比LADN算法,本文算法在妆容色彩差异大、子妆容边界明显的艺术妆上有更好的迁移效果。此外,LADN算法模型结构较为复杂,单次迁移妆容时间为0.845s,本文算法为0.076s,计算效率更高。多项指标证明了本文算法的有效性。