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

本文提出了一种基于学习的服装动画方法，用于高效的虚拟试穿模拟，其中使用了基于物理的模拟，基于数据库的模型训练，并将全局服装吻合和局部服装皱纹分离。同时，使用循环神经网络来回归服装皱纹，实现了高度逼真的非线性效果。

Mar, 2019

本文提出了一种名为SieveNet的框架，用于增强虚拟试衣的质量，使用多级精细变形网络和基于感知几何匹配的损失函数来变换衣服;引入分割掩模先验来提高纹理转移网络；引入多对三元组损失来训练纹理转移网络，从而产生高质量的虚拟试衣结果。

Jan, 2020

提出了一种基于全卷积图神经网络的学习方法，用于虚拟试穿应用。该方法可以适用于许多服装类型，并使用几何深度学习方法对3D服装进行拟合。通过对目标物体形状和材料进行建模，我们的模型学习了更精细的细节，提高了试穿模型的性能。

Sep, 2020

本文提出一种新的二阶段服装交互转换器 (CIT)，通过学习性的薄板样条变换匹配块来捕捉更合理的长程关系，然后提出了一种新型 CIT 推理块来建立全局相互交互依赖关系，并补充了现有的基于图像的虚拟试穿方法，达到了新的技术水平。

Apr, 2021

本文提出了一个在电子商务场景下紧迫需要的基于图形注意力网络(SC-VTON)的形状可控虚拟试衣网络，以更精确地虚拟试衣。 通过将控制点融入SC-VTON中，我们可以使用服装/模型对数据来帮助优化变形模块，并将任务推广到典型的虚拟试衣任务。实验表明，该方法可以实现准确的形状控制，并且生成具有详细纹理的高分辨率结果。

Jul, 2021

该研究提出一种新颖的基于2D和3D方法的单目-3D虚拟试穿网络，通过有效地整合2D信息和学习将2D表示提升到3D的映射以构建一个3D试穿模型。所提出的模型包含三个模块：单目预测模块、深度细化模块和纹理融合模块。该模型在构建高质量的试衣数据集的基础上，通过大量实验，证明了其比其他3D方法更高效和能够更真实地描述试穿效果。

Aug, 2021

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

本研究针对现有虚拟试衣方法在高保真试衣中存在的不足，提出了一种新的框架“增强虚拟试衣（BVTON）”，利用大规模非配对学习提高试衣的真实感。通过构建伪试衣配对和创新的组件规范流，实验结果显示该方法在高分辨率数据集上优于现有技术，并且在不同穿着风格和数据源中的通用性和可扩展性表现良好。

Nov, 2024