本研究提出了一个基于图像的Virtual Try-On Network，采用“粗到细”的策略将所需的服装项目无缝地转移到相应的人体部位，从而合成真实的照片，不需要3D信息，并通过细化网络训练来改善初始模糊图像。

Nov, 2017

本文提出了一种基于图像的虚拟试衣系统，使用全新的几何匹配模块进行形变和修补，在保留衣物特征的同时，同时处理衣物和图像之间的边界问题和计算拟合度，实现了真实感和模拟性能的完美融合。

Jul, 2018

本文提出了首个多姿态影响下的虚拟试衣系统，使用三阶段的网络包括合成期望的解剖结构映射，将解剖结构的映射和服装特征整合起来，以及使用多姿态合成蒙版进行修复，成功地解决了虚拟试衣中的多种问题，实验结果表明，该虚拟试衣系统和该多姿态影响下的虚拟试衣技术显著优于现有技术。

Feb, 2019

本文提出了一种名为SieveNet的框架，用于增强虚拟试衣的质量，使用多级精细变形网络和基于感知几何匹配的损失函数来变换衣服;引入分割掩模先验来提高纹理转移网络；引入多对三元组损失来训练纹理转移网络，从而产生高质量的虚拟试衣结果。

Jan, 2020

提出了一种无监督的图像虚拟试穿系统 PASTA-GAN，通过创新的贴片路由 module 成功保留服装的纹理和形状特征，引入新的空间自适应残差块来指导生成器合成更真实的服装细节。

Nov, 2021

本研究提出了一种名为ClothFit的虚拟试衣方法，通过考虑衣服的实际尺寸和人体属性，能够在目标身体上预测衣服的覆盖形状，该方法结合了U-Net网络结构和Auto-encoder技术，相比现有技术实现更加真实、高效的虚拟试衣效果。

Jun, 2023

通过对管道架构、人物表示、关键模块和语义标准的综合分析，本文提供了最新技术和方法论在基于图像的人物试穿领域的全面调研，评估了不同方法，并展示了大规模模型在图像试穿任务上的未来潜力，并揭示了未解决的问题和未来研究方向。

Nov, 2023

本文提出了一种自适应掩码训练范式，通过破解试穿区域与原始服装之间的关联，并让模型学习正确的信息进行修补，从而在非配对虚拟试穿情况下提高服装的对齐度和适应性，显著提升虚拟试穿体验的真实感；并首次提出两种用于非配对试穿评估的指标，Semantic-Densepose-Ratio (SDR) 和 Skeleton-LPIPS (S-LPIPS)，用于评估服装类型的正确性和纹理的准确性；并构建了一个全面的跨试穿基准测试集（Cross-27），涵盖了多种不同的服装项目和模特身材，用于验证非配对试穿，实验证明了所提方法的有效性，为虚拟试穿技术的发展做出贡献，为该领域的未来研究提供新的洞察和工具。代码、模型和基准测试集将公开发布。

Mar, 2024

M&M VTO 是一种多样式虚拟试穿方法，以多个服装图像、服装布局的文本描述和人物图像作为输入，并输出展示给定人物上穿指定布局的服装效果的可视化结果。

Jun, 2024

本研究针对现有虚拟试衣方法在高保真试衣中存在的不足，提出了一种新的框架“增强虚拟试衣（BVTON）”，利用大规模非配对学习提高试衣的真实感。通过构建伪试衣配对和创新的组件规范流，实验结果显示该方法在高分辨率数据集上优于现有技术，并且在不同穿着风格和数据源中的通用性和可扩展性表现良好。

Nov, 2024