Newest papers

Interpretable Face Contrast Modeling for Smartphone Portrait Rendering

Yujin Cho, Benoit Pochon, Jean‐Michel Morel, Gabriele Facciolo · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26517 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Chất lượng của nhiếp ảnh chân dung smartphone đã trở nên ngày càng quan trọng đối với cả nhà sản xuất và người dùng. Các thiết bị gần đây sử dụng các đường ống tính toán phức tạp để cải thiện hiệu suất khuôn mặt dưới ánh sáng đa dạng. Các đường ống này khác nhau rất nhiều giữa các nhà sản xuất, vì vậy cùng một chân dung có thể trông khác nhau đáng chú ý trên các điện thoại thông minh. Sự khác biệt này ảnh hưởng đến nhiều khía cạnh của ngoại hình khuôn mặt, làm cho sở thích nhận thức khó tính để đặc trưng với một thước đo duy nhất. Để giải quyết điều này, chúng tôi đề xuất một khuôn khổ có thể giải thích được có liên quan chặt chẽ hơn với nhận thức tương phản của con người so với các biện pháp tương phản truyền thống. Để hỗ trợ phân tích này, chúng tôi giới thiệu một bộ dữ liệu dựa trên nhân vật xác định được thiết kế để đánh giá

Machine translation (Meta M2M100); the English original follows.

Abstract

The quality of smartphone portrait photography has become increasingly important to both manufacturers and users. Recent devices use complex computational pipelines to improve facial rendering under varied lighting. These pipelines vary widely across manufacturers, so the same portrait can look noticeably different across smartphones. These differences affect multiple aspects of facial appearance, making perceptual preference difficult to characterize with a single measure. To address this, we propose an interpretable framework that decomposes face contrast into three components: overall facial tonal separation, eye-region contrast, and micro-contrast of fine skin details. We formulate dedicated metrics for each component and validate them via pairwise human judgments, demonstrating that our approach correlates more closely with human contrast perception than traditional contrast measures. To support this analysis, we introduce a realistic mannequin-based dataset designed for systematic facial contrast evaluation, comprising 508 full-resolution captures from 29 smartphones under diverse lighting, with region-specific masks and extensive pairwise perceptual annotations. As a downstream analysis, we show that combining the three component-wise metrics provides a meaningful basis for modeling balanced facial contrast preference in a controlled setting, and we present a preliminary evaluation on a smaller real-portrait dataset indicating that insights derived from the mannequin study can extend to real images. Our work provides a controlled first step toward defining and evaluating face contrast in portrait imaging.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Rendering (computer graphics), Contrast (vision), Artificial intelligence, Pairwise comparison, Perception

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange