Core Concepts
데이터 증폭 학습(DAL)을 통해 소량의 이미지로도 정확하고 효율적인 얼굴 화장품 모델을 개발할 수 있다.
Abstract
이 논문은 데이터 증폭 학습(DAL)이라는 새로운 학습 방법을 제안하여 소량의 화장품 이미지로도 고품질의 화장품 모델을 학습할 수 있는 방법을 소개한다.
DAL의 핵심은 확산 기반 데이터 증폭기(DDA)로, 이를 통해 5개의 화장품 이미지만으로도 대량의 학습 데이터를 생성할 수 있다. DDA에는 두 가지 핵심 혁신이 포함되어 있다:
잔차 확산 모델(RDM)은 세부 정보 손실 문제를 해결하여 고품질의 화장품 이미지를 생성한다.
세부적인 화장품 제어 모듈(FGMM)은 정확한 화장품 적용과 조합을 가능하게 하면서도 얼굴 정체성을 유지한다.
이렇게 생성된 고품질의 데이터를 바탕으로 TinyBeauty라는 소형 화장품 모델을 설계하였다. TinyBeauty는 복잡한 전처리 과정 없이도 우수한 성능을 달성할 수 있으며, 81KB의 작은 크기와 2.18ms의 빠른 추론 속도로 모바일 환경에 적합하다.
실험 결과, TinyBeauty는 기존 방법 대비 PSNR이 17.3% 향상되었으며, 13배 빠른 속도를 보였다. 또한 세부적인 아이라이너 표현 등 화장품 품질이 크게 개선되었다.
Stats
화장품 모델의 크기가 1M 이상으로 크고 복잡한 전처리 과정이 필요하다.
기존 방법의 PSNR은 FFHQ 데이터셋에서 30.18, MT 데이터셋에서 32.77이다.
TinyBeauty는 FFHQ에서 35.39의 PSNR을 달성하여 기존 대비 17.3% 향상되었다.
TinyBeauty는 iPhone13에서 2.18ms의 빠른 추론 속도를 보였다.
Quotes
"데이터 증폭 학습(DAL)을 통해 소량의 이미지로도 정확하고 효율적인 얼굴 화장품 모델을 개발할 수 있다."
"TinyBeauty는 81KB의 작은 크기와 2.18ms의 빠른 추론 속도로 모바일 환경에 적합하다."