【CIRS功效评价与技术实践】AI“贴”脸读妆效：基于深度神经网络的皮肤碎片式妆感评估技术 —— 一篇花王发表于“Skin Research and Technology”的研究

对面部的第一印象，很大程度上来自肤色与肤质。粉底、隔离等底妆产品的核心任务，是修正肤色、修饰肤质。该研究提出并验证了一种基于“皮肤碎片（Skin Patch）”训练的深度神经网络方法，用于客观、精准地评估底妆所带来的细腻且复杂的皮肤质感变化。

一、研究背景：妆效如何被“打分”？

如何客观评估一款底妆产品的妆效，一直是彩妆研发中的难点。当前主流评估手段存在两类局限：

其一，仪器测量。借助专业设备与图像分析虽可获得客观指标，但面对复杂多变的皮肤质感的变化，往往力不从心；其二，人眼判断。训练有素的评估专家能够瞬间分辨皮肤质感的变化，至今仍优于仪器，因此妆效评估的大量判断仍依赖人工目视——但人眼评估主观性强、成本高、难以规模化。

与此同时，以深度神经网络（DNN）为代表的AI技术飞速发展，在皮肤癌检测等领域有突出表现。基于此，研究者提出设想：能否用深度学习构建一种能够像人眼一样“读懂”细腻妆效的自动评估技术？

二、研究目的与“皮肤碎片”设计

本研究的核心目标，是提出并验证一种基于“皮肤碎片（Skin Patch）”的深度神经网络方法，用于精准分析和评估底妆引起的细腻而复杂的皮肤质感变化。“皮肤碎片（Skin Patch）”即从人脸图像上裁剪出的一小块皮肤区域，研究者选择其作为训练素材，主要基于三点考虑：

1. 保留细腻纹理。直接裁取小图而非将整张人脸缩小后输入模型，既节省计算资源、加快训练，又能保住与妆效直接相关的微观细节。

2. 消除伪相关。避开眼睛、眉毛、唇部等“作弊线索”，迫使模型真正学习皮肤本身。

3. 支持可视化推断。通过在整张人脸图像上滑动裁剪窗口、逐块裁剪并推断皮肤区域，可以得到整张人脸的推断结果分布。

三、研究方法：把皮肤切成小块“喂”给模型

（一）数据集（受试者均为日本女性）

数据集A：用于年龄范围分类、是否化妆、底妆配方类型（粉状/液状，对应“粉质”与“光泽”两种质感）等分类任务；

数据集B：同一受试者“刚完妆”与“化妆6~10小时后”的成对图像，用于脱妆斑驳判断；

数据集C：87人、341张脸部图像，由8位专家从肤色、黄感、暗沉、水润、透明、光泽、紧致感、平滑度、细腻度等11项指标逐项打分（取5人均值），用于回归预测。

数据集信息（包括各拍摄环境下的图像信息）详见下表：

表1. 用于分类任务的DNN训练数据集

0a168ba076fca48c2adea1211a76e964

表2. 专家判断评估数据集

d586fd738609ea51a1dc915f439ceffd

（二）模型与训练

采用在ImageNet上预训练的VGG16进行微调：图像分类任务使用交叉熵损失，预测任务使用均方误差（MSE）作为损失函数；同一受试者的图像只归入训练集或验证集之一，以防止数据泄漏。

（三）关键实验：贴片尺寸选择

研究者测试了从8.9mm~44.5mm的多种贴片尺寸，发现17.8mm时准确率最高：尺寸过小，图像接近模型输入分辨率，缩放误差被放大；尺寸过大，则反而丢失局部细节。

图1. 不同尺寸皮肤碎片示例

图2. 使用不同尺寸皮肤图像碎片训练的DNN判别准确率

四、主要结果：机器不仅看懂，还更准。

亮点一：区分“裸肤 vs 上妆”，模型反超视觉评估专家。

DNN在浅色妆容效果下可能具有极高的区分能力，能够轻松区分裸肤与带妆肌肤。

亮点二：模型“无师自通”读懂妆感。

训练时仅标注“有无上妆”，并未显式教授“妆感”概念，但DNN的输出与专家给出的妆感评分强相关——它自行习得了人类感知到的纹理特征；沿护肤、防晒、隔离、粉底的化妆步骤，模型输出也随之变化。

图3. DNN输出值与妆感视觉评分的比较

图4. DNN输出与妆容状态的变化

亮点三：一项方法，评估十余个维度。

采用同样的“皮肤碎片（Skin Patch）”训练，可覆盖妆面粉感与光泽、脱妆斑驳、肌龄、水润、干燥、紧致、光泽感、透明感、平滑度、细腻度、肤色、黄感、暗沉度等维度。整脸平均预测的相关性普遍高于单个贴片——例如肌龄的六分类准确率虽仅55.3%，但预测年龄与实际年龄的相关系数高达0.927，说明模型真正学到了衰老特征。

b4fede4820cf4b86dd367d107e1c3581

表5. 所开发深度神经网络（DNN）的评估准确率

亮点四：能区分“美好光泽”与“油腻反光”。

面对哑光底妆、液状粉底光泽以及脱妆数小时后的油光三类图像，多个DNN协同分析后发现：脱妆油光虽然“很亮”，却不被判为良好的“光泽感”。这是因为专家本就被训练成不把“劣质油光”计入良性的光泽感，DNN也学到了这种细微区分，并可精确定位面部斑驳脱妆区域。

图5. 不同质感妆容效果图中，皮肤光泽度相关评估项目的可视化结果

五、结论与展望

该研究证明：用“皮肤碎片”训练的深度神经网络能够有效、客观地评估底妆妆效，在区分裸肤与带妆皮肤上甚至超越人类专家；方法具有强可推广性，可覆盖十余个评估维度，并支持全脸可视化分析。这为视觉科学研究与化妆品个性化开发提供了新思路。

说明：

本文旨在分享功效评价技术的优质内容，内容参考并引用了第三方研究成果，若相关权利人认为存在侵权行为，请及时与我方联系，一经核实，我方将立即删除相关内容，特此声明。

参考文献

Nishino K. Skin patch based makeup finish assessment technique by deep neural network. Skin Res Technol. 2024 Feb;30(2):e13561.

你可能感兴趣的

我们的团队

希科化妆品团队

希科检测化妆品实验室拥有资质认定CMA资质和中国合格评定国家认可委员会CNAS资质，并被列为国家药品监督管理局化妆品认可实验室。化妆品实验室设备齐全，拥有理化实验室、微生物实验室，毒理实验室，功效评价实验室。实验室技术能力优秀，在多次国内及国际能力验证中均取得满意结果，并不断在相关专利领域获得突破，同时还与多家国家级实验室拥有密切合作和深度技术交流。

化妆品团队由60多人组成，包括营销团队、客户服务团队、实验室团队，合规事务团队。在拥有全面检测能力的基础上，化妆品团队不断提升自身技术水平，完善化妆品服务体系，可为企业提供包括化妆品法规咨询、注册/备案、安全功效评价、检测等一站式服务。目前实验室团队工程师超50%，并拥有毒理学家。