本文研究了在时尚等领域中建立有效的推荐系统的挑战，并提出了一种基于 Siamese CNNs 以及深度学习网络的时尚感知图像表示和推荐方法，通过在像素级别训练图像表示和推荐系统，可以显著提高推荐性能和生成新的时尚产品设计。

Nov, 2017

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

本文介绍了一种利用深度卷积神经网络，结合用户反馈和时尚趋势进行实时热门商品推荐的算法，以及该算法在 Amazon 上进行的实验。

Feb, 2016

本文提出了一种基于双向 LSTM 的视觉 - 语义嵌入方法，可以为线上时尚购物提供更有效的推荐服务，实验结果表明该方法在 Polyvore 数据集上具有优秀的性能。

Jul, 2017

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

提出了一种基于概率多语言主题模型的无监督方法来发现一组潜在的风格因子，进而通过混合这些因子来对时尚图片进行风格总结，并无需任何风格标签，从而可以根据风格来组织衣服图库。

Jul, 2017

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

本文提出了一种基于孪生网络和全连接网络的推荐方法，其中加入颜色直方图功能以提高时尚兼容性评价，且网络训练采用拉普拉斯和矩阵变量正态分布以增强网络效率和稀疏性。

May, 2019

本文提出了四个数据驱动模型用于大规模的视觉推荐系统，这些模型可以有效地利用大量的时尚图片及其丰富的元数据，通过对大规模数据集的深入实验对这些算法进行了分析，并在颜色科学的基础上对其进行了基线，同时展示了从这些实验中学到的关键时尚见解并介绍了一个可以用于未来视觉研究的大规模时尚图像注释数据集（Fashion-136K）。

Jan, 2014

本文主要介绍了计算机视觉领域中，特别关注于时尚领域中的街景图与商家图片之间匹配问题，该文提出了一种基于深度卷积神经网络的模型，使用领域专属的数字表示并在仿真测试中表现良好。

Jul, 2018