本文利用 Siamese 网络研究家具图像之间的风格兼容性评估。通过使用预训练的 CNNs 的中间层来捕捉风格相关的信息，以及使用图像和文本嵌入法，实现了在样式兼容的条件下，基于文本约束查询匹配的家具项目。同时，我们收集和呈现了大规模不同风格类别的家具图片数据集以供本文方法评估。

Dec, 2018

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

提出使用基于 GAN 和 Siamese 网络的视觉搜索框架，可以从输入的照片中提取被穿着的服装并与数据集中的服装进行匹配，以帮助在线购物客户更好地搜索商品。

Nov, 2019

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

提出一种基于类别的子空间注意力网络和穿搭排名损失的服装搭配推荐框架，用于补充物品检索，实验结果表明其在服装搭配和物品检索任务上均优于现有方法。

Dec, 2019

本文关注在线时尚购物推荐任务，在多个模态（文本和视觉模态）上应用连体网络以提高模型的性能。结果表明，同时使用视觉与文本数据能够取得良好的结果。

Jul, 2022

本文旨在研究如何利用先进的深度神经网络和丰富的时尚领域知识来解决衣服搭配问题。通过采用基于教师 - 学生网络方案的注意力知识蒸馏的神经兼容建模方案，我们证明了该模型优于现有的方法。在与其他算法比较的过程中我们还发现了一些有价值的时尚洞见。

Apr, 2018

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

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