视频虚拟试穿通过强大的扩散模型处理视频虚拟试穿任务并实现空间时间一致性。

May, 2024

通过对管道架构、人物表示、关键模块和语义标准的综合分析，本文提供了最新技术和方法论在基于图像的人物试穿领域的全面调研，评估了不同方法，并展示了大规模模型在图像试穿任务上的未来潜力，并揭示了未解决的问题和未来研究方向。

Nov, 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

虚拟试衣技术的创新方法，结合自监督视觉变换器和扩散模型，通过对比局部衣物图像嵌入与全局嵌入来实现细节增强，条件引导和关注关键区域等技术的融合进一步提高了虚拟试衣体验的真实感和精确度。

Jun, 2024

通过使用多视图衣物和扩散模型，引入了一种多视图虚拟试衣方法（MV-VTON），该方法在多视图中从给定的衣物中重建人物着装结果。

Apr, 2024

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 Outfit Visualization Net (OVNet) 方法以及其在多服装虚拟试穿成像方面的应用，该方法利用多项同步变形技术，通过语义布局生成器和逐层细化升级的图像生成管道生成高保真的多衣物虚拟试穿图片，并通过定制配件与人体协同识别的方法，能够将最适宜的配搭与体型匹配的用户展示在电子商务网站上，取得了极高的用户满意度。

Jun, 2021

本研究讨论了当代电子商务和前景元宇宙中虚拟试穿的关键问题，强调在各种场景中保留目标人物和衣物的复杂纹理细节和独特特征所面临的挑战，并探索了现有方法的局限性和未解决的问题，随后提出了一种基于扩散的新颖解决方案，该解决方案在虚拟试穿过程中解决了服装纹理保留和用户身份保留的问题。该网络显示出令人印象深刻的结果，在推理过程中的速度超过最先进技术近 20 倍，并在定性评估中具有更高的保真度。在 VITON-HD 和 Dresscode 数据集上的定量评估证实了与最近的 SOTA 方法相当的性能。

Mar, 2024

介绍了 4D-DRESS，这是第一个以高质量 4D 纹理扫描和服装网格推进人类服装研究的真实世界 4D 数据集，拥有 64 套服装和 520 个人体运动序列的 78k 纹理扫描，通过半自动的 4D 人体解析流程标注和分割详细复杂的 4D 人体扫描，为服装模拟和重构建立了多个基准，为逼真人体服装研究的进步铺平了道路。

Apr, 2024

提出了一种新的虚拟试穿条件生成器，其中包括信息交换的特征融合块，它不会产生任何对齐或像素挤压伪影，同时介绍了鉴别器拒绝过滤器以滤除不正确的语义分割图预测。

Jun, 2022