Face2Face: Label-driven Facial Retouching Restoration

随着Instagram和TikTok等社交媒体平台的普及，以及修图工具的广泛可用性和便利性，越来越多的人利用这些工具美化他们的面部照片。这给那些对照片真实性要求很高的领域（如身份验证和社交媒体）带来了挑战。通过改变面部图像，用户可以轻松地创建欺骗性的图像，导致虚假信息的传播。这可能对身份验证系统和社交媒体的可靠性造成挑战，甚至导致在线欺诈。为了解决这个问题，一些工作提出了化妆品去除方法，但它们仍然缺乏恢复由修图引起的几何变形的能力。为了解决面部修饰恢复的问题，我们提出了一个名为Face2Face的框架，它包括三个组件：面部修饰检测器、名为FaceR的图像恢复模型和称为分层自适应实例归一化（H-AdaIN）的颜色校正模块。首先，面部修饰检测器预测一个包含三个整数的修饰标签，表示修饰方法及其相应的程度。然后，FaceR根据预测的修饰标签恢复修饰后的图像。最后，H-AdaIN用于解决扩散模型引起的色偏问题。广泛的实验证明了我们的框架和每个模块的有效性。

解决面部照片修饰恢复的问题，防止虚假信息的传播和在线欺诈。

提出了一个名为Face2Face的框架，包括三个组件：面部修饰检测器、图像修复模型FaceR和颜色校正模块H-AdaIN。

Face2Face框架能够有效地恢复被面部修饰的图像，具有较高的准确度。实验使用了多个数据集进行测试，证明了该框架的有效性。

最近的相关研究包括：Deep Image Prior、Fast Style Transfer和CycleGAN等。