优化虚拟试穿的扩散模型
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
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
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
M&M VTO 是一种多样式虚拟试穿方法，以多个服装图像、服装布局的文本描述和人物图像作为输入，并输出展示给定人物上穿指定布局的服装效果的可视化结果。
Jun, 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