研究利用预训练卷积神经网络和基于文本的物品属性，探究潜在热度样式的 LDA 和 PolyLDA 方法，将深度视觉语义特征与 LDA 相结合，并将文本数据与 PolyLDA 相结合，通过通道视为单词，训练后发现了良好的视觉风格主题。

Apr, 2018

本文提出了一种半监督学习方法，其中利用大型未标记时尚语料库来在训练期间动态创建假正向和假反向服装，通过提出的一致性规则来确保原始图像和其转换的表示是一致的，实现多属性的学习，在 Polyvore、Polyvore-D 和新建的大规模时装套装数据集上进行了实验，并表示，该方法拥有与完全监督方法相当的预测性能。

Sep, 2021

该论文提出了一种学习图像嵌入的方法，以尊重物品类型，并联合学习物品的相似性和兼容性。通过在 Polyvore 网站上爬取用户创建的 68,306 个配装数据集，该方法在配装兼容预测和填空任务中取得了 3-5％的改进，支持各种有用的查询。

Mar, 2018

提出一种联合学习多个相似性条件的表示及其贡献的潜变量的方法，能够有效地处理图片比较问题并兼顾泛化能力。

Aug, 2019

本研究探讨了计算机视觉中图像风格对于图像感知的影响，通过使用多层网络训练得出最佳效果的图像特征进行分类，并成功将这些分类器扩展到 tag-based image search 中，以提高搜索的效果。

Nov, 2013

本文提出了一种创新的框架，利用两个分支的自编码器来学习内容和风格分离的表征，并通过多个损失约束辅助无监督学习，最终生成清晰、高质量的 256*256 分辨率的图片。

May, 2019

本研究提出了一种新的学习框架，通过使用 Siamese Convolutional Neural Network 从不同品类的物品图像中学习特征转化，进而发掘不同物品之间的兼容性。研究人员使用来自 Amazon.com 的协同购买数据来建立兼容性模型，并引入了一种新的训练数据采样策略，以学习跨品类匹配知识，该研究的实验结果表明，提出的学习框架能够学习关于外观风格的语义信息，并能够生成适合混搭的衣物组合。

Sep, 2015

提出了一种名为 Style2Vec 的表示模型，使用卷积神经网络学习时尚产品的风格特征，以较小的前购买物品集合作为一致的风格设置的子集，具有较好的时尚分类性能。

Aug, 2017

提出了一种基于迁移学习和编码 - 解码框架的图像字幕模型，用于在同时拥有属性和样式级别标注的源数据集上训练模型，并在仅拥有属性级别标注的目标数据集上预测样式级别的字幕。实验结果表明该方法生成的字幕与衣服的实际样式信息相近。

Aug, 2020

本研究基于大规模照片数据集，运用深度学习训练分类器和风格聚类方法，分析全球时尚趋势及时空变化规律。

Jun, 2017