Поширена помилка при реалізації віртуальної примірки зачіски — ігнорування фізики волосся. Проста 2D-наклейка не враховує об'єм, динаміку пасом при повороті голови та освітлення. Користувач бачить підробку, конверсія падає. Наше рішення — комбінація 3D hair mesh з симуляцією фізики на GPU для real-time та нейромережевого синтезу для фотореалістичних статичних зображень.
AI-віртуальна примірка зачіски: ключові технології
Проблема в тому, що волосся має складну об'ємну структуру. При повороті голови пасма перекриваються, змінюється відбиття світла. Навіть найкращі 2D-алгоритми стилізації не здатні симулювати динаміку. Тому всі комерційні рішення (ZappRX, YouCam Makeup) використовують або 3D-моделювання, або генеративні нейромережі. Ми застосовуємо обидва підходи залежно від завдання: real-time для відео/AR та фотореалістичний синтез для статичних зображень. Крім форми, можлива і віртуальна примірка кольору волосся на основі HSV-трансформації.
Сегментація волосся — базовий етап. Використовуємо MediaPipe Hair Segmentation або DeepLabV3+ (файнтюн на hair dataset, mIoU від 85%). На iOS — конвертація в CoreML, inference через VNCoreMLRequest. Для real-time потрібна модель з inference < 20 мс на A15.
Докладніше про вибір моделі сегментації
Для on-device сегментації підходять легкі моделі (MobileNet-based) з точністю 80–85%. Якщо цільові пристрої — iPhone X і новіші, використовуємо DeepLabV3+ з виходом 256×256. Час інференсу — 15–25 мс на A13.
Коли AI-віртуальна примірка зачіски виправдана?
Якщо ваш застосунок орієнтований на beauty-сегмент, а користувачі очікують інтерактивного підбору стрижки або кольору — без AI-примірки не обійтися. Особливо затребувана функція в застосунках для салонів краси, інтернет-магазинах перук та віртуальних стилістах. Інвестиції виправдані, коли конверсія в покупку безпосередньо залежить від візуалізації результату на реальному фото користувача.
Як вибрати між 3D-мешем та нейромережевим синтезом?
3D Hair Mesh + Face Tracking — AI віртуальна примірка
Працює в реальному часі. Face tracking (ARKit ARFaceAnchor або MediaPipe) визначає положення голови. 3D-модель зачіски з skeleton прив'язується до head transform. Основні складнощі:
- Hair physics — статичний меш виглядає неприродно. Рішення — vertex shader simulation через Metal: кожне пасмо — сплайн з контрольними точками, симуляція spring dynamics на GPU.
- Hair-to-face occlusion — чубчик повинен перекривати лоб. Використовуємо
ARFaceGeometryяк occluder зSCNMaterial.colorBufferWriteMask = []. - Підбір розміру — масштабуємо модель за міжзіничною відстанню.
Neural Image Synthesis (нейромережевий підхід)
Підходить для статичних фото — якість вища, але latency 1–5 секунд. Модель image-to-image: вхідне фото + вибрана зачіска → синтезоване зображення. Використовуємо Core ML (iOS) або TFLite (Android) з конвертованою моделлю. Для on-device — SAM + Stable Diffusion Inpainting, для серверного — HairCLIP на GPU (A100/H100).
| Параметр | 3D Hair Mesh | Neural Synthesis |
|---|---|---|
| Продуктивність | Real-time (30 fps) | 1–5 секунд |
| Якість | Середня (залежить від моделі) | Висока (фотореалізм) |
| Складність інтеграції | Висока (3D-моделі) | Середня (ML-модель) |
| Підходить для | Відео/AR | Статичні фото |
3D-меш працює швидше нейромережевого підходу в 10 разів для real-time, але поступається в якості фінального зображення.
Як реалізувати real-time примірку?
Етапи реалізації:
- Сегментація волосся — відділяємо волосся від фону та обличчя. Використовуємо MediaPipe Hair Segmentation або DeepLabV3+ (файнтюн на hair dataset, mIoU від 85%). Для real-time потрібна модель з inference < 20 мс на A15.
- Збірка каталогу зачісок — 3D-моделі (mesh-підхід) або reference images (neural). Фільтри: довжина, колір, тип. Зміна кольору — HSV-трансформація vertex color / albedo texture.
- Інтеграція з face tracking — прив'язка 3D-меша до
ARFaceAnchorабоMediaPipe FaceMesh. - Тестування — перевірка на пристроях різних поколінь, оптимізація продуктивності.
| Етап | Тривалість | Результат |
|---|---|---|
| Сегментація волосся | 1–2 тижні | On-device модель з mIoU ≥85% |
| Збірка каталогу зачісок | 2–4 тижні | 20+ reference images або 10+ 3D-мешів |
| Інтеграція face tracking | 1–2 тижні | Прив'язка меша до точки обличчя |
| Тестування та оптимізація | 2–3 тижні | Стабільний real-time на пристроях не старше 3 років |
Що входить в роботу?
- Детальне технічне завдання після аудиту вашого застосунку
- Прототип з базовою функцією примірки (демо за 2–4 тижні)
- Повний код модуля (iOS/Android/кроссплатформа)
- Інтеграція з вашим бекендом (REST, GraphQL, Firebase)
- Документація з використання та кастомізації
- Підтримка на етапі релізу та публікації в сторах
Замовте демо-версію, щоб протестувати на ваших пристроях.
Чому наш підхід ефективний?
Більше 5 років досвіду в мобільній розробці. 30+ завершених проєктів у beauty-tech сегменті. Сертифіковані інженери iOS та Android. Гарантуємо дотримання App Store Review Guidelines та політик конфіденційності. Наші рішення вже використовуються в застосунках з мільйонами завантажень. Економія на рекламі за рахунок підвищення конверсії може сягати до 40%.
Терміни
- Real-time 3D hair mesh + face tracking: 8–12 тижнів
- Neural synthesis (серверний inference): 6–10 тижнів
- Комбіноване кроссплатформне рішення: 4–7 місяців
Точна вартість розраховується індивідуально залежно від складності каталогу зачісок, необхідності on-device сегментації та вимог до продуктивності. Отримайте консультацію — обговоримо технічні деталі та підберемо оптимальне рішення.
Основні технології: ARKit для face tracking, MediaPipe для сегментації.