通过提出一种轻量级、可扩展的运算符 Hydra Block 来实现服装组合，进而显著增强模型在真实场景中的稳健性和表达能力，并通过在各种情况下合成多模型的残差以及实施掩膜区域增强策略来克服现有模型中信息泄露带来的不稳定性，使得 AnyFit 在高分辨率基准和真实数据上超越所有基线，展现出产生质感逼真和丰富细节的合身服装的卓越性能。此外，AnyFit 在任何情景下的高保真虚拟试穿为未来在时尚界的研究开辟了新的道路。

May, 2024

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

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

在这项工作中，我们通过（1）引入一个街景尝试基准来评估在街景中的性能，以及（2）提出一种可以直接从一组野外人物图像中学习而不需要成对数据的新方法，来填补当前虚拟试穿研究中的空白。我们的方法可以通过结合基于 DensePose 的变形校正方法和由姿势和语义分割控制的扩散式修补方法，在商店和街道领域实现稳健的性能，并证明在标准工作室试穿任务和街头试穿和跨领域试穿任务方面具有 SOTA 性能。

Nov, 2023

ClothFormer 是一种视频虚拟试衣框架，具有三个主要模块，包括两阶段的抗遮挡变形模块，外观流跟踪模块和双流变换器，能够综合在复杂环境中实现逼真，和谐和时空一致的视频虚拟试衣效果。

Apr, 2022

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

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

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

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