- 基于弱监督的条件嵌入用于参考视觉搜索
本文介绍了一种新的图像相似性搜索方法，包括引用视觉搜索 (RVS) 概念、推出面向此任务的新数据集 - LAION-RVS-Fashion、利用弱监督学习方法来学习条件嵌入等方法可以达到良好实验效果。
- 基于 DETR 的分层服装分割和细粒度属性识别
本文提出了一种新型 DETR 方法，在 Fashionpedia 数据集上训练，通过采用多层注意力模块来聚合不同规模的特征，识别出整体服装实例的细粒度属性并实现服装的分割，超越了领域内之前最先进的模型。
- CVPRFAME-ViL：用于异构时尚任务的多任务视觉语言模型
本文提出了一种针对时尚多种异构任务的多任务高效学习方法 ——FAME-ViL，该方法通过引入跨注意力适配器和任务特定适配器到统一的 V+L 模型中，加上稳定而有效的多任务训练策略，能够显著地提高参数效率和任务性能。
- MM服装生成与推荐 -- 实验研究
本文通过使用欧洲最大时尚商店的用户数据，从个性化和非个性化的角度提供了各种算法的广泛评估和比较，并透露了一些针对尚未在这项任务上进行评估的模型的见解，包括 GPT，BERT 和 Seq-to-Seq LSTM，并提供了适用于个性化服装生成的 - FashionVQA：一种特定领域的视觉问答系统
该论文训练了一个视觉问答系统，使用多种模态的数据来回答关于时尚照片中服装的自然语言问题。他们使用大规模的领域特定的多模态数据集来训练该系统，该数据集使用模板自动生成，模型的最高准确性超过了人类专家水平。
- ECCVFashionViL：面向时尚的视觉与语言表征学习
本文提出了 FashionViL，一个针对时尚领域的视觉语言（V+L）表征学习框架，包含两个周到设计的预训练任务：多视角对比学习和伪属性分类学习，以及一个基于 Transformer 的灵活多用途模型架构，将其广泛适用于各种 V+L 任务， - 基于大数据和深度生成对抗网络技术的智能分布式大规模时尚图像检索平台
本文提出了一种基于分布式计算平台的可扩展关注 Web 爬虫引擎，用于提取和处理电子商务网站上的时尚数据，并采用深度卷积生成对抗网络（DCGAN）的脱耦特征提取方法来进行基于内容的图像索引和检索，将其与最先进的解决方案进行比较并分析其结果。
- ACLCLIP 类模型是零样本推荐器吗？
本文介绍了一种基于 CLIP 的模型 GradREC，在线购物中的商品推荐中使用渐进比较相关性的指标，并在时尚行业中进行了初步分析和评估。
- 基于风格的相容衣着推荐
通过高级分类和图像，利用新型的风格编码器网络生成符合实际穿着风格或主题的时装推荐，并通过严谨的实验分析表明其优于现有的最先进的基线。
- 利用基于图像的谷歌趋势进行新时尚产品销售的多模式预测
本文提出了基于神经网络及外部信息学的时序商品销售预测方法，采用谷歌趋势时间序列探针结合多模态信息，预测基于商品的多相关数据不足的情况下其销售情况，其中使用的信息包括商品图片、元数据、相应销售数据及相关趋势。本文所提出的方法在多个方面表现，是 - 神经时尚图片字幕生成：考虑数据多样性
本研究使用 InFashAIv1 和 DeepFashion 数据集，使用 Show and Tell 算法生成时尚图片的描述，取得更好的效果，并发现对于非洲风格的时尚图片，联合训练提高了图像描述质量，表明西方风格数据的迁移学习是可行的，释 - ICCV从文化到服装：探索时装图像背后一个世纪的世界事件
本篇论文介绍了一种数据驱动的方法来识别影响人们服装选择的特定的文化因素，同时通过应用多模态统计模型来改善具体的视觉风格预测和图片时间戳的任务，旨在将文化与服装联系起来的可扩展和易于实施的计算方法的第一步。
- SIGIRFashionBERT: 跨模态检索中基于自适应损失的文本和图像匹配
本研究提出了一种 FashionBERT 模型，利用预训练的 BERT 模型作为骨干网络，学习文字和图像的高级表示，在时尚文本和图像匹配中取得了显著的性能提升。
- ECCVFashionpedia: 本体学、分割和属性定位数据集
通过探索时尚领域，引入 Fashionpedia 及 Attribute-Mask RCNN 模型，提出物体实例分割及属性定位的任务，以此为基础构建了时尚领域的本体论和数据集，并提出一种新的评估模型。
- Studio2Shop：从摄影室拍摄到时尚文章
本文主要介绍了计算机视觉领域中，特别关注于时尚领域中的街景图与商家图片之间匹配问题，该文提出了一种基于深度卷积神经网络的模型，使用领域专属的数字表示并在仿真测试中表现良好。
- KDD面向时装领域的层次化深度学习自然语言解析器
本文提出了一种用于时尚领域的层级深度学习自然语言分析器，其不仅可以识别时尚领域实体，还可以公开句法和形态学洞见。
- 基于注意力知识蒸馏的神经兼容性建模
本文旨在研究如何利用先进的深度神经网络和丰富的时尚领域知识来解决衣服搭配问题。通过采用基于教师 - 学生网络方案的注意力知识蒸馏的神经兼容建模方案，我们证明了该模型优于现有的方法。在与其他算法比较的过程中我们还发现了一些有价值的时尚洞见。
- 基于生成图像模型的视觉感知时尚推荐与设计
本文研究了在时尚等领域中建立有效的推荐系统的挑战，并提出了一种基于 Siamese CNNs 以及深度学习网络的时尚感知图像表示和推荐方法，通过在像素级别训练图像表示和推荐系统，可以显著提高推荐性能和生成新的时尚产品设计。
- 利用神经风格迁移设计服装
提出了一种利用神经风格迁移算法个性化生成新的服装设计的方法，该方法基于用户偏好并从其衣柜的有限衣服集中学习用户的时尚选择。通过分析生成的衣服图像及其与用户时尚风格的吻合程度来验证该方法的效果。
- ICCV时尚前沿：时尚视觉风格预测
利用数据驱动的方法，通过无监督学习来预测时尚视觉风格趋势，表明时尚预测受视觉分析的影响很大，远远超过文字或元数据线索。