美人秀色空绝世，我用PS-GAN试伊妆( 六 )_选自arXiv作者：WentaoJiang等机器之心

最后对于注意力图，注意这里仅计算了属于同样面部区域的像素的注意值。因此，在参照图像的唇部和眼部上没有响应值。

MDNet 采用了（Choi et al. 2017; Li et al. 2018）中使用的「编码器-瓶颈」架构，没有解码器部分。它可从内在的面部特征（如人脸形状、眼睛大小）解离出与妆容有关的特征（如唇彩、眼影）。与妆容相关的特征被表示为两个妆容矩阵 γ 和 β，它们再被用于通过像素级的操作实现妆容迁移。如图 2(B) 所示，参照图像的特征图被馈送给两个 1×1 卷积层，得到 γ 和 β。

由于源图像和参照图像之间可能存在姿态和表情的差异，所以得到的感知空间型 γ 和 β 无法直接应用于源图像。AMM 模块会计算出一个注意矩阵 A，指示了源图像中像素相对于参照图像中像素的变形情况。

DRNet 使用了与（Choi et al. 2017; Li et al. 2018）类似的「编码器-瓶颈-解码器」架构。如图 2(A) 所示，DRNet 的编码器部分与 MDNet 一样，但它们的参数并不一样，因为它们的函数不同。编码器部分使用了没有仿射（affine）参数的实例归一化，从而使特征图呈正态分布，这可被视为卸妆过程。