TryOnDiffusion

TryOnDiffusion 是谷歌研究院与华盛顿大学合作提出的虚拟试衣方法，论文发表于 CVPR 2023。给它一张人物照片和一件衣服的图片，它能生成这件衣服穿在该人物身上的效果图，并让衣服随人物的姿态和体型做出相应变形。它要解决的是此前方法难以兼顾的问题：要么衣服细节保住了但身形姿态变化不自然，要么姿态对了但衣服纹理糊掉。

主要功能

核心是一个叫 Parallel-UNet 的结构，把处理人物的 UNet 和处理服装的 UNet 并在一起。服装通过交叉注意力机制隐式变形，贴合到目标人物身上，变形与融合在同一个网络里完成，而不是拆成两步。整个流程先输出 128×128 的试衣图，再经 256×256 的 Parallel-UNet 细化，最后用超分辨率扩散模型生成 1024×1024 的结果。

页面展示了多组效果：多人试穿同一件衣服、同一人试穿不同衣服，以及与 TryOnGAN、SDAFN、HR-VITON 等方法的对比。在 FID 和 KID 指标上，它的数值低于对比方法；用户研究中，随机和困难输入下多数人选择了它的结果。

适合谁

做虚拟试衣、图像生成方向的研究人员和工程师，可以读论文、看演示来了解扩散模型在服装变形上的用法。普通用户拿不到可直接使用的产品，页面上的交互演示只是展示性质。

限制

作者自己列了几条：分割或姿态估计出错时衣服会漏到不该出现的位置；用去衣 RGB 表示身份会丢失纹身、肌肉结构等信息；训练和测试数据背景大多干净单一，复杂背景下的表现未知；不保证合身，只做视觉呈现；目前只处理上半身服装，全身试衣还没做。