突破伪目标天花板：ART如何用真实图像监督实现高保真妆容迁移？
设想这样一个场景：你有一张偶像在音乐节上的艺术脸绘照片——眼角贴着水钻，脸颊画着荧光骷髅图案，唇边还有细密亮片。现在你想把这套完整妆容迁移到自己的自拍照上，不仅颜色要匹配，连每一颗亮片的位置、每一条纹路的走向都必须精准复现，同时你的五官结构、表情神态和背景环境不能有丝毫改变。这正是妆容迁移（makeup transfer）技术试图解决的终极挑战。
过去十年，从PSGAN到EleGANt，再到基于扩散模型的StableMakeup和SHMT，研究者们在日常淡妆迁移上取得了长足进步。然而一旦涉及贴纸、亮片、密集脸绘等具有明确空间坐标和几何结构的复杂元素，现有方法普遍失效：要么纹理模糊成一片色块，要么图案变形错位，更有甚者直接扭曲人脸结构，导致身份识别失败。问题究竟出在哪里？
伪目标天花板：当前方法的根本瓶颈
理想情况下，训练一个妆容迁移模型需要大量配对数据：同一人在完全相同光照、姿态、表情下拍摄的素颜照与带妆照。但这类数据在现实中几乎无法获取——没人会为科研反复化妆卸妆并精确复现拍摄条件。因此，领域内发展出两条主流路径。
第一条是弱监督学习，以循环一致性和域对抗损失为代表。这类方法不依赖目标图像，而是通过“化妆后再卸妆应还原原图”等间接约束引导模型学习。虽然能捕捉整体色调和氛围，却无法建模像素级精确的妆容细节，因为其监督信号中根本不包含这些信息。
第二条是近年来随扩散模型兴起的伪目标监督策略：调用大型图像编辑模型（如Nano Banana Pro），根据源图和参考妆容合成一张“带妆结果图”，将其作为监督目标训练学生模型。此举使任务从无监督转为有监督，效果显著提升。但随之而来的是一个结构性缺陷——学生模型的能力上限被牢牢锁死在教师模型的水平上。
如果伪目标丢失了眼角的一颗水钻，学生就学会忽略它；如果伪目标错误地改变了鼻梁轮廓，学生就学会扭曲身份。这种现象被论文命名为“伪目标天花板”（pseudo-target ceiling）：用来提供监督的合成图像，最终成为整个系统质量的硬性上限。
ART的核心思想：让真实图像自己说话
《Anchoring on Reality》提出的ART框架，并未全盘否定伪目标的价值，而是重新定义其角色——从最终监督目标降级为初始化起点。整个训练分为两个阶段。
第一阶段：伪目标初始化。使用“源图—参考图—伪目标”三元组训练基础迁移模型，使其掌握妆容的空间分布、色彩映射和大致贴纸位置。同时并行训练一个卸妆模型，用于从任意带妆图像还原素颜人像。此阶段结束时，模型已具备基本迁移能力，但细节精度仍受限于伪目标质量。
第二阶段：现实锚定细化（reality-anchored refinement）才是真正的突破点。ART的关键设计在于：将迁移模型的输出不再视为最终图像，而是保留为一个可微分的妆容载体（makeup carrier）——一种数学上可求导的独立图层，仅包含妆容信息而不绑定特定人脸。
随后，系统执行一个精巧的操作：将该妆容载体从源人脸上“剥离”，叠加到由卸妆模型生成的参考图素颜版本上，并计算重建结果与真实参考图之间的差异。如果迁移完整准确，重建图应与参考图高度一致；任何亮片缺失、花纹偏移或边界伪影都会产生可量化的误差。
这个误差就是来自真实世界的直接监督信号。它通过可微分载体反向传播，精准指导迁移模型修正具体位置的妆容细节。至此，学习目标从“模仿合成结果”转变为“对齐真实图像”，彻底绕开了伪目标天花板。
值得注意的是，Stage II的起始点并非直接使用伪目标，而是对其施加受控噪声（实验确定最优强度为0.6）。这一设计既保留了伪目标提供的先验知识，又赋予模型足够自由度去纠正其中的错误，避免陷入局部最优。
MF2K：填补高分辨率真实妆容数据空白
方法创新之外，论文同步构建了MakeupFaces2K（MF2K）——首个2K分辨率真实场景妆容数据集。现有数据集普遍存在两大缺陷：分辨率过低（通常512×512），导致睫毛、亮片等高频细节物理上不可见；类别覆盖狭窄，缺乏艺术脸绘、男性浓妆等真实应用场景。
研究团队从互联网及FFHQ原始图库中收集约10万张高分辨率人像，经人脸对齐裁剪、CLIP特征去重、姿态与质量过滤、视觉语言模型自动标注及人工复核，最终得到8,573张2048×2048图像，涵盖素颜（3,139）、淡妆（2,063）、浓妆（1,798）和艺术妆（1,573）四类。该数据集首次使模型能在真实细节尺度上学习复杂妆容结构。
实验验证：细节还原与身份稳定的双重突破
在MT、LADN、MT-Wild及MF2K四个测试集上，ART与三代技术路线共7种方法对比。定性结果显示：面对日常妆容，GAN方法常出现肤色偏移和边缘生硬；通用大模型虽画质高，但易改变面部结构。而在复杂艺术妆场景（如骷髅嘴缝线、密集亮片），多数方法仅能迁移整体色调，图案细节普遍丢失或变形，唯ART完整保留了参考图中的所有高频元素。
定量评估覆盖五个维度：妆容相似度（MSimG/MSimQ）、身份一致性（ID）、背景改动量（L2-M）及整体画质（FID）。ART在MSimG（妆容几何结构相似度）上全面领先，尤其在MF2K艺术妆子集上达9.22，显著高于次优方法的8.43；同时L2-M最低，表明背景扰动最小。尽管未在所有指标上夺冠，但其在妆容忠实度与背景稳定性上的协同提升，结合第一梯队的身份保持能力，构成了实际应用中的综合优势。
21名参与者的用户研究进一步佐证：ART在妆容相似度（3.67）、身份一致性（4.03）和图像质量（3.83）三项均排名第一（满分5分）。
直接证据：天花板确实被打破了
为排除“仅因伪目标更好”的质疑，论文设计了两项关键验证。
其一，直接对比输出与训练所用伪目标。结果显示，ART能有效纠正伪目标中的头部姿态偏移、错误图案（如额头凭空生成的英文字母）及语义幻觉，并恢复更清晰的妆容边界。模型最终输出质量超越了其训练模仿的对象。
其二，更换更弱的伪目标生成器。当使用性能较差的StableMakeup（MSimG=6.73）生成伪目标时，ART变体仍能达到8.56；而换回强伪目标后提升至9.22。这证明伪目标仅影响起点，不再决定终点。
消融实验进一步确认：仅Stage I时MSimG为8.82，加入Stage II后升至9.22；ID从0.57提升至0.74；L2-M从7.68降至4.31。提升明确源于真实图像监督机制，而非数据或初始化优势。
此外，ART是首个支持2048×2048输出的妆容迁移框架。对比512、1024、2048三种训练分辨率可见，随着分辨率提升，贴纸边缘、亮片颗粒与睫毛细节逐级清晰，且引入的小波变换损失有效强化了高频结构学习——2K效果是“训练出来”的，而非简单放大。
局限与未来方向
当前ART未显式建模光照与材质反射。当源图与参考图光照差异较大时，参考妆容中的强高光可能被错误迁移到不匹配的光照环境中，产生局部不真实感。这是后续需攻克的方向。
更广泛的启示：从妆容迁移到现实图像编辑范式
这项工作的价值远超虚拟试妆本身。它揭示了两个深层趋势。
首先，人像美化的竞争焦点正从“通用滤镜”转向“细节质感”。用户不再满足于磨皮美白，而是追求对特定妆容的精准复现。而贴纸、亮片、脸绘恰恰是最能暴露算法短板的“压力测试”场景。在手机屏幕支持双指放大的今天，妆容细节是否成立，一眼即知。这种能力比拼的不是营销话术，而是监督信号的质量与训练范式的先进性。
其次，配对数据稀缺是整个现实图像编辑领域的共性瓶颈。无论是换发型、去皱纹还是年龄变换，几乎所有任务都卡在“无法获得同一个人仅改变单一属性”的成对数据上。ART提供了一种可迁移的解法：用合成数据完成初始化，用真实数据完成监督。大模型生成的伪目标作为起点无可厚非，但将其视为终点则是认知误区。真实图像中蕴含着比任何生成模型都丰富的监督信号，关键在于设计一条可微通路，让“与真实不一致”本身成为优化目标。
正如论文所言：“合成的伪目标不是答案，只是通往真实分布的第一步。” 这一思想，或将启发更多受数据稀缺制约的计算机视觉任务突破现有天花板。