3D 虚拟试穿是一个具有广泛潜力且备受关注的挑战性任务，本文提出了一种基于分解的隐式服装转换网络 (DI-Net)，通过像素对齐的隐式函数构建方法，实现了从任意视角重建 3D 人体网格和保留其纹理恢复的能力，在 3D 虚拟试穿任务中展现出优异的性能和效果。

Nov, 2023

我们提出了一种新的虚拟试穿网络 M2E-Try On Net，它可以将衣服从模特图像转移到人物图像，而不需要任何干净的产品图像。我们的网络包括姿势对齐网络（PAN）、纹理细化网络（TRN）和适配网络（FTN），可以生成逼真的试穿模型衣服的人物图像。

Nov, 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

GarmentGAN 是一种使用生成对抗方法进行图像化服装转移的算法，可以根据用户提供的两张图像，合成新的虚拟试衣图片，通过在训练中加入分割地图和人体关键点信息，提升了图像的真实性和效果。

Mar, 2020

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

本文提出了一个基于两级分层变形的自适应人体姿态转移网络，使用门控卷积动态选择图像的重要特征并逐层自适应变形，通过更少的参数快速收敛并在服装纹理转移等任务中获得更好的性能。

Dec, 2020

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

本文提出了一种新型的可视化试衣神经网络，名为自适应内容生成与保存网络（ACGPN），它首先预测变换后的参考图像的语义布局，然后根据预测的语义布局决定其图像内容是否需要生成或保留，从而实现了更加具有感知质量和丰富细节的逼真试穿图像。

Mar, 2020

提出了一种利用神经风格迁移算法个性化生成新的服装设计的方法，该方法基于用户偏好并从其衣柜的有限衣服集中学习用户的时尚选择。通过分析生成的衣服图像及其与用户时尚风格的吻合程度来验证该方法的效果。

Jul, 2017

本文提出了一种图形对应传送（GCT）方法，用于人物重新识别，该模型将人物重新识别的问题制定为离线图形匹配和在线对应传送的问题，并通过基于补丁的图形匹配从具有各种姿势对配置的正面训练对中学习一组对应关系模板。实验结果表明，与现有算法相比，GCT 模型具有更好的性能。

Apr, 2018