为了搞明白美颜这件事，我给自己做了 5 张脸

壹

美颜核心功能 磨皮，瘦脸，大眼

美颜app为其集合

瘦脸，大眼 推拉像素

磨皮

1>高斯模糊 将颜色异常的点修正为更靠近附近像素颜色的颜色

缺陷：高斯模糊使得质感不自然

2>高反差保留与双边滤波（表面模糊）

高反差保留 将皮肤分为肤色正常与肤色暗沉的小块，只减淡或提亮肤色暗沉区域使肤色一致并保留皮肤质感

双边滤波（表面模糊） 高斯模糊升级版，增加相似度权重的运算，使磨皮更自然（权重高就是做计算，权重低就是不计算，因为根本不是皮肤<引用弹幕>）

结合曲线，图层，蒙版，选区，画笔等完成美颜

贰

美颜app通过精确定位五官位置使得用户能够通过按钮与滑杆简便地细节调整五官

微软的Paul Viola与三菱的Michael Jones提出提出实时检测人脸AdaBoost

AdaBoost 将图像切成若干个不同尺寸小块然后使用筛选器筛选出人脸（筛选器分多级，每级都筛选出不是人脸的照片）

叁 美颜的边界问题

日常发现，审美能力与p图经验

eg.女生性感妖艳风下巴可长而尖

可爱风下巴可短而圆

肆 审美理论用于编程

审美理论

平均脸 越接近平均脸越好看，因为典型认知成本低

左右对称理论 面部对称性的高低可能代表着个体应对环境挑战能力的高低。在吸引力，健康以及某些人格属性方面，对称性较高的脸获得了明显较高的分数。

更具体精确的关于美的描述来自整形医院

鹅蛋脸，平滑变尖的下巴（侧），圆形突起的两颊，从直到凹的鼻梁外形（侧），完整的弓形嘴唇<具体看视频或文章>

向按标准制作出的评分系统的高分方向p图，虽然可以说贴近标准但会有不可言说的怪异感

得出并不存在美的量化标准

伍 结合多元化的美美颜

利用AI结合

AI算法是各种不同的神经网络。

eg.识别猫狗及其种类 靠前的神经元关注简单的点线元素，中间层的神经元关注简单纹理与图案，靠后神经元关注图像整体结构，复杂纹理和图案组合。

eg.人脸识别 输入图像-识别线条细节-识别五官结构-识别总体位置-最终身份信息 可判断两张脸相似程度以及如何融合这两张脸

五官形状等前几层尽量与帅哥模板相似，但后几层的整体结构要尽量与本人相似，要识别得出是本人。

末

美颜有给人带来虚假，单一审美，容貌焦虑等，但其也同样给虚拟空间中的我们带来了快乐与自信。

技术没有好坏之分，取决于人们的需求与用途。