本研究提出了一种基于图神经网络（GNNs）的方法，通过图结构捕捉家具家庭的内在关系，进而预测家具套装的风格是否兼容，并在 Bonn 和 Singapore 家具数据集上展示了最先进的预测精度。

Apr, 2020

本文提出一种利用混合 siamese 网络及混合损失函数，结合神经风格迁移技术，以捕捉低级风格特征的图像检索方法，用于检索配套物品，并在实验中得到更优于传统 siamese 网络的结果。

Nov, 2019

本文使用孪生卷积神经网络大力提取商品名中的关键属性，以此学习人类的样式兼容性，实现自动化的搭配推荐。

Aug, 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

本文旨在通过建立一个基于图像的大规模数据集并开发一个可扩展的方法来揭示人类视觉关系方面的概念模型，该模型不是基于用户注释的细粒度建模，而是基于图像关系网络的网络推理问题。 其提供了一个用于训练和评估的大规模数据集，并可用于推荐衣物和配饰的搭配。

Jun, 2015

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

本文提出了一种针对多风格图像字幕生成的样式感知对比学习的方法，该方法基于对潜在与风格相关的视觉内容的对比学习，提出了一个样式感知的视觉编码器以及三种检索方案。实验结果表明，该方法的性能达到了最先进水平。

Jan, 2023

提出了一种利用神经风格迁移算法个性化生成新的服装设计的方法，该方法基于用户偏好并从其衣柜的有限衣服集中学习用户的时尚选择。通过分析生成的衣服图像及其与用户时尚风格的吻合程度来验证该方法的效果。

Jul, 2017