May, 2024

AnyFit: 任意场景下服装任意组合的可控虚拟试穿

PDF
TL;DR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。
发现论文，激发创造
  • 利用 3D 模拟数据集进行面料 - 人体 - 属性引导虚拟试穿的网络设计

    本研究提出了一种名为 ClothFit 的虚拟试衣方法，通过考虑衣服的实际尺寸和人体属性，能够在目标身体上预测衣服的覆盖形状，该方法结合了 U-Net 网络结构和 Auto-encoder 技术，相比现有技术实现更加真实、高效的虚拟试衣效果。

    Jun, 2023

  • 可操作的虚拟试穿通过稀疏对应对齐

    引入一种新的虚拟试穿框架 Wear-Any-Way，不同于以往方法，该框架是一种可定制的解决方案，支持用户精确操作穿衣风格以实现高保真度的试穿结果，其通过稀疏对齐与基于点的控制，为标准设置带来最先进的性能，并为定制穿衣风格提供了一种新颖的交互形式，对时尚行业具有深远的影响。

    Mar, 2024

  • 更好的适应性：虚拟试穿中的服装类型变异

    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

  • 注重细节的精准和逼真服装可视化

    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

  • TryOn-Adapter：高保真虚拟试穿中高效的细粒度服装身份适配

    我们提出了一种有效且高效的框架 TryOn-Adapter，通过细粒度因素的解耦，包括风格、纹理和结构，对服装身份进行精确和高效的控制，并利用训练 - free 的 T-RePaint 策略进一步增强服装身份保存和试穿效果。

    Apr, 2024

  • FashionTex: 可控的基于文本和纹理的虚拟试穿

    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

  • 增强虚拟试衣自我监督视觉变换

    虚拟试衣技术的创新方法，结合自监督视觉变换器和扩散模型，通过对比局部衣物图像嵌入与全局嵌入来实现细节增强，条件引导和关注关键区域等技术的融合进一步提高了虚拟试衣体验的真实感和精确度。

    Jun, 2024

  • 一种使用生成对抗网络（GAN）创建虚拟试衣间的成本有效方法

    在 COVID19 大流行病之后，由于许多卖家要么改为在线购物，要么关闭试衣间，顾客对购物过程感到犹豫和不确定，因此，使用新的 AI 技术创建一个在线平台或虚拟试衣间 (VFR) 可以满足顾客试穿产品的需求，从而提高销售量和产品质量。

    Feb, 2024

  • 可变形注意力流在单阶段虚拟试衣中的应用

    通过 Deformable Attention Flow 实现 virtual try-on 的 end-to-end 模型，同时处理衣服变形和身体融合问题，最终达到以高度真实感展示 virtual try-on 的结果。

    Jul, 2022

  • 一种时间高效和身份一致的虚拟试穿方法：基于改进扩散模型的变体

    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