本文介绍了一种名为Fashion++的方法，使用基于深度图像生成神经网络的学习算法以及针对形状和纹理的分解的编码来最大化地提高时尚性，通过从Web照片中自动训练时尚度模型和开发激活极大化的方法，指出的编辑范围包括更换新装、调整颜色、调整穿着方式等，实验证明该方法对于机器和人类的度量都具有成功的影响。

Apr, 2019

本论文提出了一种新的文本引导时尚图片编辑方法FICE，包括GAN反演、CLIP模型语义信息和姿态、图片评估等多项约束，使其能够更好地控制图像合成的逼真程度，并与多种先进方法进行对比验证，结果表明FICE具有更强的编辑表现和高度逼真的时尚图像生成能力。

Jan, 2023

本文介绍了一种基于latent diffusion models的新型架构，通过多模态提示（文本、人体姿势和服装草图）引导生成人体中心时尚图像，同时扩展了两个已有的时尚数据集，证明了该方法的有效性。

Apr, 2023

本文提出了一种名为 TD-GEM 的文本驱动服装编辑方案方法，通过生成对抗网络反演获取数据图像的潜在表达，之后通过对比学习的语言图像预训练（CLIP）指导一个服装图像的潜在表达，以在保持图像其他部分不变的情况下编辑与文本要求一致的服装项目，该方案通过对颜色和袖长进行实验，生成了更逼真的图像。

May, 2023

提出了一种名为HieraFashDiff的新型时尚设计方法，通过使用共享的多阶段扩散模型，包含高层设计概念和低层服装属性的层次结构，允许设计师在高级提示后逐步交互式编辑以添加低层属性。在我们新建的层次时尚数据集上进行的全面实验表明，我们提出的方法优于其他最先进的竞争方法。

Jan, 2024

该论文探讨了多模态条件下的时尚图像编辑任务，提出了一种基于多模态指导的生成方法，利用时尚设计的文本、人体姿势、服装草图和面料纹理等多模态提示生成以人为中心的时尚图像。实验证明了提出方法在现实感和一致性方面的有效性。

Mar, 2024

这篇研究论文介绍了一种新颖的生成性流程，通过使用潜在扩散模型改变了时尚设计过程，利用 ControlNet 和 LoRA 微调生成高质量图像，从文本和草图等多模态输入生成。我们结合草图数据，对包括 Multimodal Dress Code 和 VITON-HD 在内的最先进的虚拟试穿数据集进行了整合和增强。通过使用 FID、CLIP 评分和 KID 等指标进行评估，我们的模型明显优于传统稳定扩散模型。结果不仅突显了我们模型在生成符合时尚要求的输出方面的效果，也凸显了扩散模型在改革时尚设计工作流程中的潜力。这项研究为时尚设计和表达领域提供了更具互动性、个性化和技术丰富的方法，弥合了创意愿景与实际应用之间的差距。

Apr, 2024

本研究针对现有时尚图像编辑方法的灵活性不足及应用范围有限的问题，提出了一种无需辅助工具的整合框架。通过扩展数据集以涵盖更广泛的服装种类和复杂背景，并提出AnyDesign方法，用户可以便捷地输入人像及对应提示，实现高质量的时尚编辑，实验结果表明该方法超越了现有的文本引导时尚编辑技术。

Aug, 2024

本研究解决了现有时尚图像编辑方法缺乏灵活统一框架的问题，尤其是对服装类型的限制。提出的AnyDesign方法能够实现无掩码的多区域编辑，并引入了Fashion-Guidance Attention模块，以融合多样化的服装类型和特征。实验结果显示，该方法在时尚编辑质量上优于现有的文本引导编辑技术，具有重要的应用潜力。

Aug, 2024

本研究解决了当前时尚图像编辑技术在准确识别编辑区域和保留服装纹理细节方面的不足。我们提出了一种基于潜在扩散模型的新架构DPDEdit，通过结合文本提示、区域掩码、人体姿势图像和服装纹理图像，能够精确定位编辑区域并转移纹理细节。实验结果表明，DPDEdit在图像保真度和与多模态输入的一致性方面优于现有最先进的方法。

Sep, 2024