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

图像虚拟试穿是将店内服装与穿着衣物的人物图像相配。本文提出了一个新颖的单阶段框架，通过隐性学习实现衣物变形和人物生成，采用语义上下文融合注意力模块进行衣物 - 人物特征融合，从而实现高效且逼真的衣物变形和体型合成。通过引入轻量级线性注意力框架，处理以往方法中存在的对齐问题和伪影。为了同时学习变形后的服装和试穿结果，引入了一个变形服装学习模块。我们的方法在 VITON 数据集上进行评估，在定性和定量指标上展示了其卓越的性能。

Oct, 2023

通过将文本和纹理相结合，FashionTex 框架能够在无需配对数据的情况下，对服装类型和纹理模式进行语义控制，从而支持全身肖像的用户友好型时尚定制。

May, 2023

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

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

提出了一种基于记忆的视频虚拟试衣网络（MV-TON），它可以在不需要任何服装模板的情况下，通过姿势对齐和区域替换像素，将所需的衣服无缝传输到目标人身上，并生成高分辨率逼真的视频

Aug, 2021

本篇论文提出了一种深度学习的虚拟试穿方法，针对传统方法在衣物形态、质感等方面存在的问题进行了改善，并使用量化评估方法对模型的性能进行了验证。

Mar, 2020

本文提出一种新的学生 - 教师模型来解决 2D 虚拟试穿任务中的监督学习问题，并且减少了图像处理的开销，从而实现了实时虚拟试穿。

Jul, 2020

本研究提出了一种创新的虚拟试穿技术，能够在输入人体图像上实现个性化服装的逼真合成。我们的方法具有灵活的样式和纹理条件，并通过明确分离样式和纹理的双阶段流程来解决全服装图像作为条件时的交织挑战。通过提取层次化和平衡的 CLIP 特征以及在 VTON 中应用位置编码，我们首次实现了复杂的非平稳纹理，实验结果表明了我们方法在合成质量和个性化方面的卓越表现。样式和纹理的灵活控制为在线购物和时尚设计提供了新的用户体验水平。

Dec, 2023

通过提出一种名为 “Tunnel Try-on” 的基于扩散的框架，我们解决了视频试穿中保留服装细节和建模连贯运动的难题，并通过在输入视频中挖掘 “焦点隧道” 来生成稳定流畅的试衣视频，是向商业级视频虚拟试穿应用迈出的重要一步。

Apr, 2024