AI-примірка зачіски: сегментація, фарбування, генерація

Уявіть: клієнт заходить у салон, показує фото стрижки з Pinterest — і за 10 секунд бачить себе з цією зачіскою на екрані. Жодних «а може спробуємо?», жодної фарби на пробниках. Віртуальна примірка зачіски — одне з найскладніших завдань computer vision. Волосся має напівпрозорі краї, тонкі пасма до 1 пікселя, і будь-яка неточність маски дає «пластиковий» ефект. Ми за 15+ проєктів для beauty-tech відточили пайплайн, який поєднує alpha matte сегментацію, дифузійну генерацію та збереження ідентичності. Результат — реалістична примірка будь-якої зачіски, чи то зміна кольору, чи кардинальна зміна форми. Зв'яжіться з нами, щоб обговорити ваш проєкт — ми допоможемо підібрати оптимальне рішення.

Як працює сегментація волосся?

Точна маска волосся — основа всього. Проблема: межа волосся/фон нечітка, напівпрозора, з окремими пасмами шириною 1–3 пікселя. Стандартний семантичний сегментатор дає грубі краї, які вбивають реалістичність при накладанні.

Спеціалізовані моделі:

• Hair-SAM / Matting Anything — сегментація з alpha matte: не бінарна маска, а float32 значення 0..1 на кожен піксель. На краях — дробові значення, що відображають прозорість.
• MODNet — lightweight matting model, 35fps на мобільних. Оптимізована саме для портретів. У 3 рази швидша за класичні методи (наприклад, DIM).
• ViTMatte — transformer-based матування, вища якість на складних пасмах. Згідно зі статтею ViTMatte, він перевершує попередників за Intersection over Union.

from matting import load_model, estimate_foreground_ml

model = load_model('vitmate_vit_b_pretrained.pth')

def segment_hair(image, trimap):
    # trimap: 0=точно фон, 128=гранична зона, 255=точно волосся
    alpha, foreground = model(image, trimap)
    return alpha  # float32 маска, 0..1

Чому alpha matte критичний?

Бінарні маски не передають напівпрозорість — на краях виходять різкі сходинки. Alpha matte дає попіксельну прозорість, що критично важливо для накладання зачіски: результат виглядає натурально, а не як наклейка.

Накладання нової зачіски

Два підходи:

Texture transfer — беремо 3D-модель або 2D-reference цільової зачіски, деформуємо під форму голови користувача (face shape analysis через 3DMM), накладаємо з blending. Працює для схожих довжин і форм. Проблема: якщо у користувача довге пряме, а цільова — коротке каре, оригінальне волосся потрібно прибрати під нову зачіску, це вимагає inpainting шкіри голови.

Генеративний підхід (дифузійні моделі) — більш потужний:

1. Сегментуємо волосся і шкіру голови
2. Описуємо бажану зачіску текстом: «short bob, brown, with bangs»
3. Запускаємо inpainting через Stable Diffusion з ControlNet (conditioning на форму обличчя і положення голови)
4. Зберігаємо обличчя (face preservation через IP-Adapter або InstantID)

Головна складність: зберегти ідентичність людини при зміні зачіски. Без face preservation модель може генерувати іншу людину з потрібною зачіскою.

Чому генеративний підхід кращий?

Генеративний підхід дає кардинальну зміну форми, на відміну від texture transfer, який обмежений вихідною довжиною. Ми використовуємо ViTMatte для матування і Stable Diffusion для inpainting — це дозволяє створювати зачіски, яких у людини ніколи не було, зі збереженням ідентичності.

Фарбування волосся

Простіше примірки форми: змінюємо колір у межах сегментованої маски волосся. Інструменти:

• Selective color transfer у LAB color space: зберігаємо L-канал (текстуру), змінюємо AB (колір)
• Neural color transfer через AdaIN для складних ефектів (ombre, balayage, мелірування)
• Балаяж/омбре: gradient mask + окремий color transfer по градієнту від коренів до кінчиків

import cv2
import numpy as np

def recolor_hair(image, hair_mask, target_color_lab):
    lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB).astype(float)
    # Обчислюємо середній колір волосся
    hair_pixels = lab[hair_mask > 128]
    mean_ab = hair_pixels[:, 1:].mean(axis=0)
    # Зсуваємо AB-канали до цільового кольору
    shift = target_color_lab[1:] - mean_ab
    lab[:, :, 1:] += hair_mask[..., None] / 255.0 * shift
    lab = np.clip(lab, 0, 255).astype(np.uint8)
    return cv2.cvtColor(lab, cv2.COLOR_LAB2BGR)

Real-time vs фото-режим

Real-time (відео): MODNet для сегментації + texture-based recoloring. Обмеження: складні форм-зміни нереалістичні в реальному часі.

Фото-режим: повний pipeline з ViTMatte + дифузійною генерацією. Час: 3–15 секунд залежно від методу.

Що входить у роботу

Орієнтовні строки під ключ: 5–18 тижнів залежно від складності. Вартість розраховується індивідуально. Економія часу порівняно з розробкою з нуля — 2–3 місяці, що дозволяє швидше запустити продукт. Отримайте консультацію: зв'яжіться з нами для оцінки вашого проєкту.

Ми гарантуємо точність матування, збереження ідентичності та швидку інтеграцію. Досвід — 15+ проєктів у beauty-tech. Для real-time примірки волосся ми адаптуємо модель під ваші вимоги. Alpha matte волосся — наша експертиза. Збереження ідентичності — обов'язковий етап. Замовте розрахунок строків під ваш проєкт — це займе не більше дня.