提出了一种无监督的图像虚拟试穿系统 PASTA-GAN，通过创新的贴片路由 module 成功保留服装的纹理和形状特征，引入新的空间自适应残差块来指导生成器合成更真实的服装细节。

Nov, 2021

提出了一种基于扩散模型的可控加速虚拟试衣网络（CAT-DM），该网络通过使用ControNet引入额外的控制条件和改进服装图像的特征提取，对传统的扩散模型进行了改进，并且能够在不降低生成质量的情况下减少采样步骤。与基于GAN和基于扩散模型的先前试衣方法相比，CAT-DM能够更真实地生成图像并准确复制服装图案。

Nov, 2023

通过引入新颖的信息感知和局部服装特征注意机制，WarpDiffusion将基于变形和基于扩散的范式相结合，实现了高效和高保真度的虚拟试衣，从而提升了现有VITON方法的综合质量。

Dec, 2023

基于图像的虚拟试穿系统，旨在设计一种新的流程，可以保留服装的静态特征，如纹理和标志，同时生成适应模型姿势和环境的动态元素，先前的研究在生成动态特征方面存在问题，我们提出了一种新的基于扩散的产品级虚拟试穿流程，即PLTON，它可以保留细节丰富的标志和刺绣，同时产生逼真的服装阴影和皱纹。

Jan, 2024

使用Outfitting over Try-on Diffusion（OOTDiffusion）方法，结合预训练的潜在扩散模型和创新的网络架构，可以有效地生成高质量、逼真且可控的虚拟试穿图像，突破了现有虚拟试穿方法在逼真度和可控性方面的局限。

Mar, 2024

本研究提出了一种改进的图像虚拟试穿的扩散模型（IDM-VTON），该模型通过使用高级语义和低级特征融合的方法，提高了服装的真实性，并生成了具有真实感的虚拟试穿图像。该研究还介绍了一种使用人物-服装图像对进行个性化定制的方法，并通过实验证明了该方法在保留服装细节和生成真实虚拟试穿图像方面的有效性。

Mar, 2024

提出了一种独特的训练方案来解决扩散的训练公式中维持输入服装身份的问题，并且通过多衣物试穿单次推断循环实现高质量的放大生成。

Mar, 2024

在虚拟试衣领域，我们提出了一种基于纹理保持扩散（TPD）模型的新方法，通过利用空间维度上人体图片和参考服装图片的连接输入扩散模型的去噪UNet，实现了高效准确的纹理迁移，并预测精确的修补掩膜，将掩膜预测和图像合成整合于单一紧凑模型中，显著优于流行的VITON、VITON-HD数据库上的最先进方法。

Apr, 2024

虽然虚拟试衣（VTON）基于潜在扩散模型的生成性能令人印象深刻，但缺乏对衣物关键细节（如风格、图案和文字）的忠实性。为了缓解由扩散随机性和潜在监督引起的这些问题，我们提出了一种新颖的面向VTON的忠实潜在扩散模型，称为FLDM-VTON。FLDM-VTON在三个主要方面改进了传统的潜在扩散过程。首先，我们提议将变形的衣物作为起点和局部条件，为模型提供忠实的衣物先验。其次，我们引入了一种新颖的衣物扁平化网络，以约束生成的试衣图像，提供一致的衣物忠实监督。第三，我们设计了一种具有忠实推理的衣物后验采样，进一步提高了模型在传统的衣物不可知高斯采样上的性能。对基准VITON-HD和Dress Code数据集的大量实验证明，我们的FLDM-VTON优于最先进的基线方法，并能够生成具有忠实衣物细节的照片级别的试衣图像。

Apr, 2024

本研究解决了应用扩散模型进行图像基础虚拟试穿（VTON）所面临的挑战，尤其是在确保生成图像的真实性与服装细节方面。我们提出了一种新的扩散模型GarDiff，通过增强服装外观和细节的指导，实现了更高保真度的图像合成。实验结果表明，GarDiff在VITON-HD和DressCode数据集上的表现优于其他先进的VTON方法。

Sep, 2024