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

本文提出了一种无模板虚拟试穿的图像合成网络，可以合成更适合身体的试穿服装图像，并通过实验证明了该方法在复杂情况下的优越性。

Feb, 2021

本研究提出了一种Disentangled Cycle-consistency Try-On Network（DCTON），能够通过分离虚拟试衣的重要组件，包括衣物扭曲，皮肤合成和图像合成，以自我监督的方式训练，从而生成高度逼真的试衣图像

Mar, 2021

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

提出了一种通用的虚拟试穿框架，称为GP-VTON，该框架通过开发创新的LFGP变形模块和DGT训练策略来解决图像中虚拟试穿的各种问题，如人体姿势变换和衣服变形，从而在具有挑战性的输入情况下保留语义信息，并避免出现纹理畸变。经过在两个高分辨率基准上的大量实验，表明该方法明显优于现有的相应方法。

Mar, 2023

提出一种基于渐进式推理范式的新型虚拟试衣方法（PGVTON），通过自上而下的推理管道和一般服装试穿策略实现，包括鲁棒的试穿解析推断方法和通过变形-映射-合成实施的服装试穿。同时使用StyleGAN2实现了针对目标肌肤形状的去光皮肤修复。在两个有挑战性的场景下展示了该方法具有最先进的性能。

Apr, 2023

本研究提出了一种基于扩散的架构，统一了两个并行 UNet，旨在在保留服装细节的同时，通过扭曲服装并令其适应不同的身体姿态和形状变化，生成着装效果图。实验结果表明，该方法在质量和多个评估指标上均取得了最先进的表现。

Jun, 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