本研究提出了一个系统，用于从视频内容中检索服装和时尚产品。通过将服装物品和视频帧存入索引数据库并使用时间聚合和快速索引技术进行帧检索，我们能够以简单和非侵入性的方式从视频中找出时尚产品。在大规模数据集上进行的实验表明，使用该框架可以将内存需求降低 42.5 倍，而精度仍然保持在约 90％左右。

Oct, 2017

使用基于深度学习的对象检测和图像检索技术，通过全局描述符之间的相似度搜索，在快速高效的识别超市商品的同时能够满足不断变化的商品和包装需求。

Oct, 2018

本研究提出了一种基于三元组的胶囊网络结构，并采用叠加卷积和残差连接块作为胶囊层的输入，在无需地标信息的情况下，取得了比基准研究 FashionNet 更好的性能，在服装检索任务上的表现也与最先进的模型相当，但所使用的参数数量仅为后者的一半。

Aug, 2019

利用人工智能为时尚推荐系统提供细粒度的视觉解释，自动为顾客上传的图像生成有意义的描述，引导从全球时尚产品目录中检索出符合视觉特征的类似替代品，进而实现个性化的时尚推荐，并在超过 100,000 张已分类的时尚照片数据集上进行训练和评估，物体检测模型的 F1 分数为 0.97，展示了优化的准确时尚物体识别能力，这个视觉感知系统代表了个性化时尚推荐中的重要进展。

Nov, 2023

本研究提出了一种从单张照片中生成人体服装真实 3D 模型的算法，该算法可以还原出服装的全局形态、几何信息和细节，结合参数估计、语义分析和物理模拟等技术，可应用于虚拟试穿、服装转化、数字人物的服装动画等领域。

Aug, 2016

利用卷积神经网络进行图像检索是一个具有挑战性的问题，该研究提出了一个自学习的视觉注意模型以及一个 End-to-End 网络结构，通过嵌入 Impdrop 模块进一步优化，取得了优异的检索性能。

Oct, 2017

本文提出一种使用计算机视觉技术实现服装图像分割的方法，该方法基于经过训练的模型自动检测人体部位，并使用 Mask RCNN 算法对图像中的下装和上装进行检测和划分，取得了较好的效果。

May, 2023

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

DeepFashion2 是一个多任务的数据集和基准，旨在为四个任务提供衣服检测，姿势估计，分割和检索，“Match R-CNN” 是解决这四个任务的强有力基线。

Jan, 2019