北京
舞台亮片、艺术脸绘这类复杂妆容，一直是妆容迁移技术的"翻车现场"。纹理糊成一团，人物脸型还悄悄变了样——淡妆时代那套方法，到这里基本失灵。
vivo BlueImage Lab 在 ECCV 2026 发表的 ART 框架，给出的解法有点反直觉：别再拿合成出来的假目标当标准答案了。
监督信号换了个来源
传统思路是先合成一个"伪目标"图像，再让模型去逼近它。问题在于，伪目标本身就是算出来的，细节在合成那一步就已经丢了，模型再怎么学，上限也被锁死。
ART 的做法是把监督信号从伪目标转向真实的参考图像。团队在方法里构建了一个可微的妆容载体（Makeup Carrier），把迁移结果当成一个独立的妆容图层来看待。
具体怎么验证？把这个妆容图层叠加到参考图的素颜上，重建出的图像和真实图像之间的误差，就成了训练用的监督信号。像素级对齐，细节才有机会被保住。
两阶段，先起步再锚定
ART 采用两阶段训练策略：
- 第一阶段用伪目标初始化基础迁移能力，先把模型带起来；
- 第二阶段做"现实锚定细化"，靠可微妆容载体把重建误差作为真实监督信号，把细节拉回真实像素。
用团队的话说，伪目标可以用，但只能用来起步。真正决定最终效果的，是后面这一步能不能锚定到真实图像上。
顺带补上了数据缺口
复杂妆容迁移难，一部分原因在于数据。高分辨率、真实场景下的妆容数据一直是空白。
团队构建了 MF2K 数据集，这是首个 2K 分辨率的真实妆容数据集，覆盖素颜、淡妆、浓妆及艺术妆四类。分辨率上去了，亮片、脸绘这类高频细节才有被学习和还原的基础。
从方法设计到数据补齐，ART 想解决的是同一件事：让妆容迁移在复杂场景下，既留住妆，也留住人。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
