Texturehair: transferência de penteados utilizando redes generativas adversariais com foco na preservação das texturas capilares

Abstract

Ao longo da história, o cabelo sempre foi um elemento central na expressão cultural, identi dade pessoal e estéticas de diversas sociedades, refletindo status social, crenças e tendências de moda. As perucas, introduzidas no contexto judiciário europeu do século XVII, eram vistas como símbolo de poder e status, enquanto as tranças nagô, desenhadas por escraviza dos nas Américas, codificavam rotas de fuga em busca de liberdade. No contexto atual, a indústria da moda movimenta bilhões todos os anos, e a escolha de um corte ou penteado que traduza autenticidade e estilo pessoal torna-se cada vez mais desafiadora. Ferramentas de edição de penteados digitais permitem visualizar cortes, cores e estilos antes de modificar o cabelo. Contudo, muitas soluções falham em preservar a textura capilar de referência ao aplicá-la em uma imagem-alvo, degradando detalhes finos e resultando em transferências sem naturalidade e fidelidade no resultado gerado. O objetivo deste trabalho é desenvolver e validar um método baseada em redes generativas adversariais capaz de transferir penteados e cores de referência para imagens-alvo com alta fidelidade, preservando texturas e estruturas capilares. Nesse sentido, propõe-se TextureHair, um método voltado à preservação das texturas capilares por meio de GANs. As redes generativas adversariais (GANs) possuem dois componentes principais: o gerador, que produz imagens realistas a partir de representações de entrada, e o discriminador, que classifica amostras como reais ou geradas. O método desenvolvido utiliza o StyleGAN2 pré-treinado como gerador e incorpora um espaço de características com informações espaciais para preservar texturas e estruturas capilares. Os experimentos propostos demonstraram a robustez do modelo na preservação da textura em diversos tipos de cabelo, como também resultados superiores frente a outros modelos da literatura. As bases de dados criadas e códigos desenvolvidos foram disponibilizados no GitHub.