注：本文所用原始图像为避免侵权，均为AIGC生成；

瘦脸功能是影楼修图中非常高频的一个功能算法，也是几乎所有人像修图软件或应用必备的一个功能。但是，这个功能通常主要是手动调节的方式出现，如何实现根据用户照片自动或者智能瘦脸效果，是一个非常值得研究的话题。

当前像素蛋糕和美图云修，百度网盘AI修图也都是提供的手动调节方式的瘦脸功能，以百度为例，界面如下：

本文从个人经验角度，给出几种可行的方案，并针对其中一种进行详细讲解，给出相关的代码示例。

方案一 传统瘦脸参数自适应

思路：在基于传统图像处理构建的瘦脸变形算法基础上，通过平均脸构建自适应的参数计算，然后对瘦脸算法进行调节，得到瘦脸效果；

实现方案推荐：

输入：原始人脸+人脸点位检测(瘦脸关键点)

自适应瘦脸算法：

1. 可根据模特脸的五官比例，计算用户图点位对应的五官比例，根据比例偏差来计算瘦脸程度，根据瘦脸程度调用瘦脸变形算法，得到瘦脸效果；

2. 可构建平均脸(可通过N张模特图构建)，将用户人脸点位映射到平均脸，得到新的点位，根据映射前后点位差，计算瘦脸程度，调用瘦脸变形算法，得到瘦脸效果；

输出：瘦脸参数，按参数给出对应瘦脸效果

优点：不需要模型训练，速度快；

缺点：效果一般，无法真正根据用户特有的脸型，得到最佳的瘦脸效果；

方案二 Image-to-Image Translation条件生成

思路：这种方法主要基于GAN网络，根据输入用户人像照片，直接输出人脸瘦脸之后的效果图。

实现方案推荐：Pix2Pix

• 输入：原始人脸 + 瘦脸强度 Mask/编码(可选)

• 输出：瘦脸后人脸

• 优点：自动学习皮肤纹理补偿，避免拉伸伪影

• 缺点：需要 paired 数据（原脸→瘦脸 GT），数据制作是个难点，数据的好坏直接影响效果的好坏；

这类算法，目前用于一般性的手机修图没有问题，但是对于影楼修图行业，人脸图像区域>1000×1000的情况，效果就显得比较模糊，可以看出生成痕迹，分辨率越大，对比越明显；

方案三 关键点回归

思路：我们通过深度学习网络来学习瘦脸关键点，用户输入一张照片，进行人脸关键点检测，网络输入人脸关键点信息，自动输出瘦脸后的关键点，然后根据瘦脸前后关键点做人脸变形，得到瘦脸效果图。

实现方案推荐：

• 网络结构：MLP 或 轻量 UNet-like Graph 网络

• 输入：原图关键点（可归一化到 [0,1]）

• 输出：瘦脸关键点，根据关键点得到瘦脸效果图

• 损失函数：

• 优点：实现简单，训练数据量不需要太大，可用于影楼高分辨率大图的处理；

以68个人脸关键点为例，网络结构举例如下：

# 关键点输入: [batch, 68*2]
# 输出: [batch, 68*2]

import tensorflow as tf
from tensorflow.keras import layers, models

def build_landmark_mapper(num_points=68):
    inputs = layers.Input(shape=(num_points*2,))
    x = layers.Dense(256, activation='relu')(inputs)
    x = layers.Dense(256, activation='relu')(x)
    x = layers.Dense(num_points*2)(x)
    return models.Model(inputs, x, name="LandmarkMapper")

方案四 偏移学习

思路：基于方案二，我们不进行关键点的直接回归，而是进行关键点偏移量的学习，将人脸关键点输入网络，输出要达到瘦脸效果所对应的关键点偏移量，然后，根据偏移量对图像进行Warp，得到瘦脸效果；

与直接回归相比，学习形变偏移更稳定，训练模型预测偏移量，再与原点位相加得到瘦脸点位。

偏移量计算：

同时，也可添加强度控制：

模型训练

原理

数据集构建

我们以68人脸关键点为例，假设你有以下 numpy 数据文件：

可以先计算偏移量 ΔK：

import numpy as np

orig = np.load('orig_landmarks.npy')  # [M, N, 2]
slim = np.load('slim_landmarks.npy')  # [M, N, 2]

delta = slim - orig                   # 偏移量 [M, N, 2]

# 展平到 [M, N*2]
X = orig.reshape(len(orig), -1)
Y = delta.reshape(len(delta), -1)

# 数据归一化（可选）
X_min, X_max = X.min(axis=0), X.max(axis=0)
X_norm = (X - X_min) / (X_max - X_min + 1e-8)

np.save('X.npy', X_norm)
np.save('Y.npy', Y)

模型构建

这里我们使用简单的 MLP 预测关键点偏移量，大家也可以自行使用更为复杂的网络设计，这里仅做举例：

import tensorflow as tf
from tensorflow.keras import layers, models

def build_landmark_offset_model(num_points=68):
    inputs = layers.Input(shape=(num_points*2,))
    x = layers.Dense(256, activation='relu')(inputs)
    x = layers.Dense(256, activation='relu')(x)
    x = layers.Dense(128, activation='relu')(x)
    outputs = layers.Dense(num_points*2, activation='linear')(x)
    return models.Model(inputs, outputs, name="LandmarkOffsetNet")

num_points = 68
model = build_landmark_offset_model(num_points)
model.summary()

模型训练

import numpy as np
from tensorflow.keras.callbacks import ModelCheckpoint

X = np.load('X.npy')  # [M, 136]
Y = np.load('Y.npy')  # [M, 136]

model.compile(optimizer='adam', loss='mse')

checkpoint = ModelCheckpoint(
    'landmark_offset_best.h5',
    monitor='val_loss', save_best_only=True
)

model.fit(
    X, Y,
    validation_split=0.1,
    epochs=200,
    batch_size=32,
    callbacks=[checkpoint]
)

推理与瘦脸效果关键点合成

# 读取训练归一化参数
X_min = X.min(axis=0)
X_max = X.max(axis=0)

def predict_slim_landmarks(orig_landmarks):
    # orig_landmarks: [N, 2]
    x = orig_landmarks.reshape(1, -1)
    x_norm = (x - X_min) / (X_max - X_min + 1e-8)

    delta_pred = model.predict(x_norm)[0].reshape(-1, 2)
    slim_pred = orig_landmarks + delta_pred
    return slim_pred

# 示例
orig_landmarks = np.array([
    [100, 120], [110, 118], ...  # 68 个关键点
])
slim_landmarks = predict_slim_landmarks(orig_landmarks)
print(slim_landmarks)

瘦脸变形

有了瘦脸前后的关键点，我们就可以使用 Thin Plate Spline (TPS) 或 Piecewise Affine Warp来进行人脸变形，得到最终的瘦脸效果：

from skimage.transform import PiecewiseAffineTransform, warp

def warp_face(image, src_points, dst_points):
    tform = PiecewiseAffineTransform()
    tform.estimate(dst_points, src_points)  # src→dst 映射
    warped = warp(image, tform, output_shape=image.shape)
    return (warped*255).astype(np.uint8)

# 示例
warped_image = warp_face(user_image, orig_landmarks, slim_landmarks)

上面就是基于瘦脸关键点偏移学习的AI瘦脸方案的完整介绍。最后，给个效果示例（原图-瘦脸效果图）：

本文介绍的几种方案，都是个人在实践经验积累中，感觉相对而言比较可行，可用的方案。其中对于关键点部分，并不局限于2D关键点，也可使用3D关键点，在3D空间进行Warp，效果会更好。

实际上，大家对于人脸美型类的研究一直都未停止，除了本文的几种方法，还有很多其他的方法和论文，比如以下几篇论文：

《Deep Shapely Portraits》

《Face shape transfer via semantic warping》

《Parametric Weight-change Reshaping for Portrait Images》

大家有兴趣可自行研究。