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

这份论文提出了一种名为 'Complete the Look' 的新任务，旨在通过场景图像来推荐视觉上兼容的产品，并提出了一种基于多层感知机和注意力机制的方法，实现了对全局和局部的测量，并通过大量实验验证了其性能优于现有替代方案的结果。

Dec, 2018

本研究提出了一种能够预测和诊断服装配对兼容性的深度学习框架，其中利用了不同类型的 CNN 来解决从颜色到风格等不同方面的兼容性问题，并通过基于 Polyvore 数据集的实验验证出较高的预测和诊断能力。

Jul, 2019

通过高级分类和图像，利用新型的风格编码器网络生成符合实际穿着风格或主题的时装推荐，并通过严谨的实验分析表明其优于现有的最先进的基线。

Mar, 2022

本文提出一种将时装搭配表示为图形，并基于节点间的交互关系通过节点感知的图形神经网络来预测搭配的兼容性得分的方法。实验结果表明，所提出的方法在填空和兼容性预测两个任务上均表现出较高的优越性。

Feb, 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

通过将每个物品嵌入到潜在向量中，并将查询项目投影到 K 个兼容原型中，在我们学习的空间中，我们介绍了一种新颖的投影兼容性距离（PCD）函数，该函数是可微分的并确保多样性。我们的系统在玩具数据集，两个亚马逊产品数据集和 Polyvore 服装数据集上得到了实验验证，表现始终处于最前沿。最后，我们展示了我们可以使用度量正则化的条件生成对抗网络（MrCGAN）可视化候选兼容的原型。

Dec, 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

利用图神经网络分析时尚产业的机器学习应用，评估 Polyvore 数据集中的衣着搭配和商品推荐准确性，并比较两种现有模型在任务完成和兼容性预测上的性能。我们发现 Hypergraph Neural Network 在两个任务上稍微具有更好的性能，并尝试使用视觉转换器生成的嵌入向量以提高预测准确性。

Apr, 2024

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