本文提出了一种基于深度学习的内容协作方法，用于个性化尺寸和合适度建议，以提高顾客满意度并减少因尺码相关的退货所产生的成本，该方法可以模拟客户和文章数据，并能够为单个帐户背后的多个个体或意图进行建模。

Jul, 2019

提出了一种能够利用顾客评价信息与顾客、产品特征来进行尺码预测的新方法，与仅使用产品和顾客特征的方法相比，该方法在四个不同数据集上显示出 1.37% 至 4.31% 的 F1 得分提升。

Aug, 2022

本文提出一种基于弱监督学习的视觉表示学习方法，适用于电子商务产品。采用噪声数据集进行学习，不需要手动标注，其学习表示可用于服装类别的向下分类和图像检索任务，并且不使用所提供的训练集，实现了几乎最先进的结果。

Sep, 2017

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

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

该研究介绍了一种基于贝叶斯模型的解决方案，利用顾客提供的大规模低强度标注数据以及人工专家反馈和计算机视觉智能，成功地减少了 14 个国家在线时尚市场上与尺寸有关的退货率。

Jun, 2021

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

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

本文提出了一个名为 AsymNet 的深度神经网络，并使用此网络解决了一个新的跨领域问题 ——Video2Shop，该问题针对的是将视频中出现的衣服与在线商店中的完全相同的物品进行匹配。AsymNet 采用了很好的方法从视频中提取特征，并使用 LSTM 框架对视频进行序列建模，以捕捉视频中的时间动态。为了准确匹配视频和在线购物图像，AsymNet 利用可重构的深层树结构下的相似性网络来联合建模 LSTM 隐藏状态和图像特征。作者还提出了一种近似训练方法来实现训练的效率，并在大型跨领域数据集上进行了广泛实验，证明了所提出的 AsymNet 的有效性和效率，它优于现有的最先进方法。

Apr, 2018