AI在美容美体艺术中的应用

20XX/XX/XXAI在美容美体艺术中的应用汇报人:XXXCONTENTS目录01

AI美容美体技术概述02

AI面部美容核心技术03

AI美体塑形技术创新04

AI皮肤健康管理系统CONTENTS目录05

AI美妆与个性化造型06

AI在医疗美容中的应用07

技术挑战与伦理考量08

未来发展趋势与创新方向AI美容美体技术概述01AI美容美体的定义AI美容美体是指利用人工智能技术，结合计算机视觉、深度学习等方法，对人脸及身体特征进行智能分析、个性化修饰与健康管理的新兴领域，其核心在于从传统的表层图像修饰向深层生物特征管理转变。核心价值一：精准化与个性化通过AI肤质检测系统可精准采集肌肤水分、油脂含量等多项指标，结合用户元数据生成个性化方案，如「预颜美历」通过七维度语义分割实现像素级病灶识别，为用户提供千人千面的动态处方。核心价值二：数据驱动科学决策AI将主观皮肤感受转化为客观量化数据，如润芳可AI测肤系统通过5万个真实案例构建模型，实现护肤效果可视化验证，帮助用户从“凭经验”转向“看数据”的科学决策。核心价值三：效率提升与体验优化AI技术显著缩短护肤适配周期与产品研发时间，如欧莱雅利用AI将活性分子寻找周期压缩至原来的1/3；虚拟试妆技术通过实时渲染与面部追踪，让用户高效预览妆容效果，提升购物体验。AI美容美体的定义与核心价值技术发展历程：从传统到智能传统美颜阶段：基础图像修饰早期美颜技术依赖传统图像处理，如磨皮、瘦脸等滤镜效果，主要解决视觉呈现问题，缺乏对皮肤深层特征的分析与个性化调整。AI初级应用：数据驱动的优化随着深度学习兴起，AI美颜基于数据驱动，通过面部关键点检测（如68点模型）和几何变形算法实现实时瘦脸，或利用GAN生成高质量皮肤纹理，效果更自然且支持复杂修改。智能美肤新阶段：深层生物特征管理2026年，AI变美技术完成从“表层图像修饰”到“深层生物特征管理”的范式转移，利用计算机视觉和深度学习模型，对用户皮肤健康状况进行量化分析与科学管理，如「预颜美历」实现全周期皮肤管理。2026年行业技术生态格局

01垂直化与专业化技术分工AI变美工具呈现显著垂直化与专业化趋势，形成明确分工与互补。如新氧专注医美决策辅助，你今天真好看聚焦AR虚拟试妆，美丽修行深耕成分数据挖掘，「预颜美历」则代表皮肤健康管理新方向。

02核心技术多元化应用各应用技术架构与核心算法逻辑各异。新氧利用3D重建与知识图谱，你今天真好看依托AR渲染与关键点追踪，美丽修行运用NLP与数据挖掘，「预颜美历」则融合CV分割、时序分析与云边协同技术。

03数据源与决策依据差异化数据源方面，新氧依赖用户案例库与机构数据，你今天真好看采用实时视频流，美丽修行基于静态成分表，「预颜美历」则以实时生物特征图像为核心。决策依据也从相似案例匹配、妆容风格匹配等向动态视觉检测结果转变。

04应用深度与价值定位分层应用深度各有侧重，新氧提供医疗决策辅助，你今天真好看主打视觉娱乐/试妆，美丽修行实现成分查询，「预颜美历」则致力于全周期健康管理，将主观皮肤感受转化为客观量化数据，验证护肤方案有效性。AI面部美容核心技术02基于关键点检测的美型算法01核心原理：面部特征点定位与几何变形利用CNN等AI模型检测68点或106点面部关键点（如眼角、下颌轮廓），通过薄板样条插值、局部仿射变换等几何算法调整轮廓，实现瘦脸、大眼等美型效果，区别于传统滤镜的像素级修饰。02技术实现：实时跟踪与动态调整采用Dlib或MediaPipe框架捕捉关键点，结合OpenCV实现图像形变；通过Python代码可实现下颌点向内收缩0.05-0.3强度的瘦脸处理，支持静态图像与视频流实时处理，帧率可达30fps以上。03优势与局限：效率与自然度的平衡优点：计算高效（移动端可实时运行）、调整参数可控；缺点：依赖关键点检测精度，侧脸或遮挡易导致变形失真，过度调整可能产生"蛇精脸"等不自然效果，需结合边缘羽化技术优化过渡。04典型应用：社交APP与智能硬件广泛应用于抖音、微信等社交平台的实时美颜功能，以及智能化妆镜（如淘宝AI化妆镜月销超1000件）的虚拟美型场景，通过轻量化模型适配移动端算力，满足用户即时预览与个性化调整需求。生成对抗网络（GAN）驱动的逼真美颜GAN美颜技术的核心原理

利用生成对抗网络（如StyleGAN、BeautyGAN等），通过生成器与判别器的对抗训练，学习海量人脸图像的特征分布，生成高质量、自然的皮肤纹理和面部特征调整效果，确保输出结果符合真实世界的光影规律和人脸结构。典型实现方式与数据集应用

基于CelebA等大规模人脸数据集训练GAN模型，实现皮肤平滑、去皱、五官优化等美颜效果。例如，通过调整StyleGAN的潜在空间向量（LatentCode）可控制面部宽度、五官比例等，FaceAPP类技术则基于编码器-解码器结构实时生成优化后的面部图像。GAN美颜的显著优势

优点在于生成效果高度自然，能够支持复杂的面部特征修改，如模拟不同年龄段样貌、实现风格转换等，同时能较好地保留皮肤质感和细节，避免传统方法的“塑料感”和“扁平化”问题。面临的技术挑战与局限

缺点主要包括训练过程资源消耗大，需要大量高质量数据和强大算力支持，易出现过拟合现象；模型结构复杂，实时性相对较弱，在移动端部署时对硬件性能要求较高，且生成结果的可控性和解释性有待进一步提升。深度学习分割与区域优化技术技术原理：语义分割与区域独立优化采用语义分割模型（如U-Net或DeepLabV3+）精准分割面部区域（皮肤、五官等），针对不同区域应用独立优化算法，实现精细化美颜效果。实现方式：PyTorch驱动的分割与优化模块结合PyTorch构建深度学习分割模型，训练专用的皮肤问题分割模型，可处理静态图像或视频流，实现像素级的病灶面积与密度计算。核心优势：高精度与定制化能力优点在于分割精度高，支持细粒度识别（如区分真假性皱纹、不同类型色斑），可根据不同区域特性定制优化方案，满足个性化需求。应用挑战：处理速度与数据质量依赖缺点是相比传统方法处理速度较慢，对硬件算力有一定要求，且模型性能高度依赖高质量、多样化的标注数据进行训练。端到端神经网络模型应用

模型架构与核心原理设计端到端CNN或Transformer模型，直接从输入图像输出美颜/瘦脸结果，无需中间步骤。通过TensorFlow等框架构建模型，训练端到端pipeline，实现原始图到优化图的直接转换。

移动端部署优势简化流程，适合移动端部署。结合轻量化模型技术，可在手机等设备上实现高效运行，满足实时性需求，提升用户体验。

技术挑战与局限模型解释性差，决策过程难以追溯；需大量标注数据进行训练，数据获取和标注成本较高。在处理复杂场景和个性化需求时，效果可能受限。轻量化模型与移动端部署采用MobileNet等轻量级模型，结合Android/iOSSDK集成，实现移动端实时美颜和瘦脸。如2026年主流社交APP已实现低延迟、高帧率的视频流美化处理，用户体验流畅。光流分析与动态跟踪结合光流分析技术，动态跟踪面部变化，确保在头部大幅度运动时美颜效果的稳定性。通过实时捕捉面部关键点，实现对动态场景下的精准调整，避免画面失真。3D形变模型与AR技术融合利用3DMM（3DMorphableModel）拟合面部几何，动态调整顶点，结合ARKit/ARCore的实时跟踪能力，叠加自然的形变效果。使美颜瘦脸在不同角度下均保持真实感和立体感。技术优势与挑战优点在于低延迟，用户体验好，能满足直播、视频通话等实时场景需求。缺点是受硬件资源限制，效果可能不稳定，需在实时性与质量之间进行平衡优化。实时视频流处理技术方案AI美体塑形技术创新033D人体建模与参数化调整

多模态数据驱动的3D人体重建技术通过多视图几何重建技术，结合深度传感器与高清图像数据，将用户2D身形转化为精准的3D人体模型，可捕捉肌肉线条、脂肪分布等细微特征，为后续调整提供毫米级精度基础。

基于关键点的参数化形态调整算法利用人体关键点检测（如106点骨骼模型）定位肩宽、腰围、腿长等关键部位，通过薄板样条插值、网格变形等算法实现参数化调整，支持用户自定义调整强度，确保形态自然过渡。

个性化美学参数库与智能匹配系统构建包含不同性别、年龄、地域审美偏好的3D美学参数库，结合用户身形特征与需求，智能推荐黄金比例调整方案，如肩腰比1:0.7、腿身比0.618等，实现千人千面的个性化塑形效果。

动态实时渲染与效果预览技术集成物理光照渲染（PBR）与实时阴影模拟技术，在调整过程中实时生成逼真的3D效果预览，支持多角度观察，让用户直观感受调整后的体态变化，提升交互体验与决策效率。基于语义分割的局部塑形算法

语义分割模型架构采用改进的U-Net或DeepLabV3+架构，训练专用的面部区域分割模型，可精准识别额头、下颌、鼻翼、眼角等细粒度区域，为后续局部优化提供精准的区域定位。

多尺度特征融合的细粒度识别通过多尺度特征融合技术，不仅能定位黑头、毛孔、痤疮、皱纹、色斑、敏感、黑眼圈等皮肤问题，还能区分真假性皱纹（动态纹vs静态纹）及不同类型色斑（雀斑、黄褐斑、晒斑），实现像素级的病灶面积与密度计算。

区域独立优化策略针对不同面部区域（如皮肤、五官）应用独立优化算法，例如对皮肤区域进行滤波磨皮处理，对下颌区域进行几何变形以实现瘦脸，对鼻部区域进行立体度增强，确保各区域优化效果自然且互不干扰。

PyTorch实现与视频流处理结合PyTorch深度学习框架实现分割和优化模块，可处理静态图像或视频流。通过端到端的网络设计，实现从图像输入到区域分割再到局部塑形的完整流程，满足实时或近实时的应用需求。AI驱动的三维体态动态捕捉采用多视角运动捕捉技术与深度学习算法，实时采集人体138个骨骼关键点运动数据，构建三维动态体态模型，精准识别含胸、驼背、骨盆倾斜等异常体态，误差率低于2%。生物力学失衡智能诊断结合压力传感阵列与肌电信号分析，量化评估肌肉力量分布、关节活动度及重心偏移，生成包含脊柱侧弯度数、高低肩差距等12项核心指标的生物力学报告，辅助定位体态问题根源。个性化矫正方案生成引擎基于用户体态数据与运动偏好，自动匹配康复训练库中的动作组合，如针对骨盆前倾设计的臀桥变式训练；结合AR实时引导技术，确保动作标准性，用户反馈矫正效率提升40%。全周期效果追踪与自适应调整通过时序数据分析对比不同阶段体态参数变化，采用LSTM模型预测矫正趋势，动态调整训练强度与频率。临床案例显示，8周持续干预后，用户平均体态评分改善2.3个等级（5分制）。动态体态分析与矫正方案AI皮肤健康管理系统04多光谱皮肤检测技术原理多光谱成像系统构成多光谱皮肤检测技术通常集成多种光源，如高清白光（观察表层纹理、毛孔）、紫外光（识别潜在色斑、荧光反应）、交叉偏振光（穿透至真皮层，观察血管分布、胶原结构），配合高分辨率成像设备（如5400万像素成像系统）捕获皮肤不同深度的特征信息。图像标准化预处理算法针对拍摄环境光线复杂、角度多变的问题，采用自适应直方图均衡化（CLAHE）与白平衡校正算法，通过噪声抑制与锐化处理，消除传感器噪声干扰，确保输入到深度学习模型的图像具备医学影像级别的标准化特征，提升检测鲁棒性。多模态特征融合与分析利用改进的U-Net或DeepLabV3+架构，对多光谱图像进行像素级语义分割，精准识别黑头、毛孔、痤疮、皱纹、色斑、敏感、黑眼圈等七大类皮肤问题，并通过多尺度特征融合区分真假性皱纹及不同类型色斑，实现病灶面积与密度的量化计算。临床级皮肤指标量化融合视觉特征与用户元数据（年龄、地域气候），通过回归模型量化肤龄、水油平衡度、细腻度、耐受度及紧致度等多维度指标，生成“肌肤生物特征报告”，为后续个性化护肤方案提供数据支撑，如检测真皮层隐性色素团、计算胶原纤维密度等。七维度皮肤问题智能分析

黑头与毛孔智能识别基于改进的U-Net或DeepLabV3+架构，实现像素级黑头定位与毛孔密度计算，精准量化皮肤表面粗糙程度。痤疮与色斑类型细分通过多尺度特征融合技术，区分不同类型色斑（雀斑、黄褐斑、晒斑）及痤疮分级，提供针对性改善依据。敏感与红血丝区域检测利用交叉偏振光成像与AI算法，识别皮肤隐性炎症与毛细血管扩张，辅助判断屏障受损程度。动态纹与静态纹区分结合面部表情分析，智能区分动态纹（表情肌运动产生）与静态纹（胶原流失导致），优化抗衰方案。黑眼圈成因精准诊断通过多光谱图像分析，识别血管型、色素型、结构型黑眼圈，匹配对应的改善成分与护理方式。水油平衡与肤龄评估融合视觉特征与用户元数据（年龄、地域气候），通过回归模型量化水油平衡度与肤龄，生成动态肌肤报告。肌肤耐受度智能评分基于历史护理数据与敏感表征分析，建立肌肤耐受度评分体系，为成分筛选与护理强度提供科学参考。动态处方生成引擎与成分匹配

动态处方生成引擎的核心逻辑区别于基于静态标签的推荐，该系统构建了“皮肤状态-成分功效”的知识图谱。当检测到“屏障受损（视觉特征）”且伴随“红斑（颜色特征）”时，推理引擎会自动匹配具有修护功能的成分（如神经酰胺、红没药醇），并基于规则库过滤掉高浓度酸类等刺激性成分，实现千人千面的动态方案生成。

多模态综合指标评估与成分匹配融合视觉特征与用户元数据（年龄、地域气候），通过回归模型量化肤龄、水油平衡度、细腻度、耐受度及紧致度，生成多维度的“肌肤生物特征报告”，并据此匹配最适合的护肤成分与产品。

AI在美妆产品研发中的成分筛选应用过去美妆巨头欧莱雅寻找有效的活性分子主要依赖实验室数据和人工经验，周期长、成本高。AI技术的介入正在将研发周期压缩至原来的1/3，未来在研发速度上将迈入以“月”为单位的时代，可快速筛选出匹配特定肌肤问题的有效成分。全周期时序数据分析与趋势预测同位点对比算法：消除时空差异利用面部特征点配准技术，将不同时间拍摄的照片进行几何对齐，消除姿态、光照等差异，确保皮肤指标对比的准确性，为纵向分析提供可靠数据基础。可视化趋势预测：量化护肤成效基于历史检测数据构建时间序列模型，通过雷达图与折线图等可视化方式，直观展示肤龄、水油平衡度、毛孔密度等指标的演变趋势，量化反馈护肤方案有效性。动态方案迭代：数据驱动精准调整结合用户生活习惯、环境变化及皮肤指标趋势，AI系统动态优化护肤建议，如季节更替时调整保湿力度，熬夜后加强修护，实现全周期个性化皮肤管理。AI美妆与个性化造型05AR虚拟试妆技术与实时渲染

高精度面部关键点追踪技术采用轻量级卷积神经网络（如MobileNet变体）实时捕捉面部数十个关键点，确保头部大幅度运动时妆容贴合度的稳定性，为精准试妆提供基础定位。

物理光照渲染（PBR）技术结合环境光估计技术，模拟不同质地（哑光、珠光、金属光泽）化妆品在真实光照下的反射特性，提升试色的真实感，让虚拟妆容效果更接近实际上妆效果。

语义分割与局部精细化渲染利用语义分割算法精准识别嘴唇、眼睑、脸颊等区域，实现妆容的局部精细化渲染，避免妆容溢出，确保眼影、口红等化妆品在虚拟试妆时自然贴合。

多模态智能交互与用户体验优化虚拟试妆技术已从简单的AR叠加进化到多模态智能交互，用户可在线下店铺或线上平台实时预览不同妆容效果，提高购物体验，部分品牌试妆系统还支持与社交平台直接连接获取亲友反馈。AI驱动的面部比例量化分析AI通过检测面部关键点，计算脸长与脸宽比例、五眼比例等黄金比例参数，客观评估面部结构，为妆容设计提供数据基础。个性化五官修饰方案生成针对不同面部特征，AI推荐适配妆容，如眼间距过宽建议内眼线调整，鼻梁不够挺拔推荐阴影高光立体画法，实现千人千面。虚拟试妆与实时效果预览结合AR技术，用户可实时预览妆容在自身面部的效果，AI根据面部动态调整妆容贴合度，提升试妆体验与决策效率。基于面部美学比例的妆容推荐智能发型模拟与风格迁移基于AI的发型虚拟试戴技术AI发型模拟工具通过上传用户照片，可尝试不同发型，结合脸型、发质和个人风格给出专业建议，如YouCamMakeup等APP提供丰富发型选择与实时预览。发色虚拟尝试与效果预测先进的发色虚拟尝试系统不仅能展示染色效果，还能预测随时间推移的颜色变化过程，帮助用户消除顾虑，并可与社交平台连接获取亲友实时反馈。艺术风格迁移在发型设计中的应用AI技术能将人脸图像转换为不同艺术风格（如油画、水彩画）的发型效果，为用户提供个性化选择，增添美容过程的趣味性与创意性。个性化香水调配AI算法

多模态用户偏好采集与分析通过NLP技术解析用户对香调描述的语义信息，结合图像识别分析用户日常穿搭风格、肤色及场景偏好，构建多维度用户画像。例如，提取"清新""木质调""适合职场"等关键词，匹配对应香调数据库。

基于知识图谱的香原料智能匹配构建包含数千种香料成分、香调金字塔、化学属性及功效的知识图谱，AI根据用户偏好（如花香型、无致敏成分需求），通过关系推理推荐核心原料组合，如玫瑰与雪松的经典搭配。

动态配方生成与浓度优化采用强化学习算法，基于用户反馈（如"前调过浓""留香不足"）动态调整原料比例与浓度，生成个性化配方。某品牌案例显示，AI调配香水用户满意度较传统方式提升35%，试错成本降低60%。

环境与情绪感知的自适应推荐结合可穿戴设备采集的用户心率、活动量等生理数据，及天气、场合等环境信息，AI实时推荐适配香型。如夏季高温推荐柑橘调，压力状态下推荐薰衣草舒缓香型，实现"千人千面"的场景化香氛体验。AI在医疗美容中的应用063D面部重建与术前模拟

多视图几何重建技术利用多视图几何重建技术，将用户2D照片转化为3D面部模型，精准还原面部骨骼与软组织结构，为术前设计提供立体数据基础。

GANs术后效果模拟通过生成对抗网络（GANs）模拟隆鼻、双眼皮等手术后的形态变化，为用户提供可视化的预期效果参考，缓解对术后效果的焦虑。

3D打印定制假体基于3D重建数据，可打印与骨骼贴合度高的定制假体，如鼻基底填充假体，实现精准植入，术后效果与模拟图像高度吻合。

术前可视化沟通医生可在虚拟环境中调整假体参数、模拟组织切除或填充，实时观察面部比例变化，求美者从被动接受者转变为主动参与设计的合作者。3D面部建模与术后效果可视化利用多视图几何重建技术将2D照片转化为3D面部模型，通过生成对抗网络（GANs）模拟隆鼻、双眼皮等手术后的形态变化，为用户提供直观的预期效果参考，如温州和平整形医院通过3D数字孪生技术让求美者术前预览鼻基底填充效果。知识图谱驱动的机构与医生验真构建包含医院资质、医生执业信息的大型知识图谱，通过实体链接与关系推理，实现机构与医生的自动化验真，解决医美决策中的信息不对称问题，为用户选择安全可靠的医美服务提供数据支持。基于面部特征的相似案例匹配推荐基于面部关键点（Landmarks）提取特征向量，利用向量数据库检索历史上具有相似面部基础的用户案例，辅助用户决策。例如新氧平台通过该技术为用户匹配相似案例，提升医美方案选择的合理性与满意度。AI内窥镜导航与手术精准执行将AI技术与内窥镜结合，如和平整形医院的AI内窥镜导航隆胸手术，将手术区域高清放大50至100倍，使血管、神经清晰可见，医生可精准操作避开关键结构，术中出血量平均减少72%，术后肿胀期缩短至传统手术的三分之一。AI辅助医美决策支持系统术后效果评估与恢复监测

AI驱动的量化效果评估利用3D面部建模与AI算法，对比术前术后关键指标，如面部轮廓对称度、五官比例变化等，实现毫米级精度评估。例如，鼻基底填充术后可通过AI计算假体植入区域的立体饱满度及与周边组织的贴合度。

多模态恢复数据追踪结合AI皮肤检测系统与智能穿戴设备，实时监测术后皮肤红肿消退、油脂分泌、炎症指数等恢复数据。如隆胸术后AI内窥镜导航可使术中出血量平均减少72%，术后肿胀期缩短至传统手术的三分之一。

全周期时序分析与趋势预测基于历史恢复数据构建时间序列模型，通过雷达图与折线图可视化展示各项指标演变趋势，如毛孔密度变化率、胶原再生进度等，为用户提供量化的护肤及恢复效果反馈，及时调整后续护理方案。技术挑战与伦理考量07端到端加密传输协议依托微信小程序等平台的安全沙箱机制，采用端到端加密传输协议，确保面部生物特征数据在传输过程中的安全性，防止数据泄露或被篡改。云端数据脱敏处理面部生物特征数据在云端推理完成后即刻进行脱敏处理，仅保留量化指标数据，原始图像可根据用户选择进行本地销毁，符合《个人信息保护法》对生物识别信息的严格要求。本地加密存储机制采用“前端轻量预处理+云端大模型推理+本地加密存储”的分层架构，用户敏感数据在本地设备加密存储，减少数据在云端的暴露风险，提升数据隐私保护级别。数据隐私与安全保护架构算法偏见与公平性优化

美容算法偏见的表现形式AI美容算法可能存在肤色识别偏差，如对深肤色人群的皮肤问题检测精度较低；也可能存在性别审美倾向，导致推荐妆容或美型方案单一化，不符合多元审美需求。

算法偏见产生的核心原因训练数据缺乏多样性，若数据集中某类肤色、脸型样本占比过高，模型易偏向该类特征；算法设计中未充分考虑不同种族、性别的美学差异，导致普适性不足。

公平性优化的技术路径采用联邦学习技术，在保护数据隐私的前提下，融合不同地域、人群的多样化数据；引入公平性约束算法，动态调整模型参数，确保对各类用户群体的识别与推荐精度均衡。

行业实践与伦理规范建设2026年多家美妆科技企业已建立算法审核机制，如欧莱雅在新品开发中引入多族裔测试小组；同时，行业协会正推动《AI美容算法公平性指南》出台，规范数据采集与模型训练流程。真实感与过度美化的平衡技术层面：保留皮肤质感的磨皮技术采用双边滤波与纹理分离策略，平滑皮肤区域同时保留毛孔和纹理细节。双边滤波在空间域和颜色域加权，确保皮肤区域平滑但纹理边界锐利；纹理分离使用小波变换或导向滤波分离图像为基底层和细节层，仅对基底层应用磨皮后与细节层融合，避免“塑料感”。美学层面：五官立体度增强技术通过局部对比度调整和3D光照模型强化面部轮廓。在五官边缘区域应用非线性变换增强局部对比度，利用GAN生成虚拟光源，优化环境、漫反射和镜面反射系数模拟光照阴影，创造深度感，避免面部扁平化，提升层次感。应用层面：动态强度控制与用户认知根据面部角度自适应调整形变强度，避免侧脸失真；边缘处理使用羽化技术避免形变区域与背景割裂。同时，需引导用户理性认知，AI美颜应作为提升自信的工具，而非盲目追求完美，平衡科技美化与自然真实的个人形象。未来发展趋势与创新方向08多模态AI融合与3D建模技术

01多模态数据融合：从平面到立体的信息整合多模态AI融合技术整合视觉图像、红外光谱、皮肤生理指标等多源数据，构建全面的皮肤与形体评估模型。例如，「预颜美历」结合七维度像素级语义分割与用户元数据，生成多维度肌肤生物特征报告，实现从单一图像分析到综合健康评估的跨越。

023D面部建模与医美决策支持基于多视图几何重