基于图像的虚拟穿衣是一种流行且前景广阔的图像合成技术，能够显著改善消费者的购物体验，并降低服装商家的广告成本。顾名思义，虚拟穿衣任务旨在生成目标人穿着给定服装的图像。

OOTDiffusion简述

图1 虚拟换衣

基于图像的虚拟穿衣目前面临两个主要挑战：

首先，生成的图像应足够逼真和自然，以避免不和谐感。大多数最近关于虚拟试穿的研究利用生成对抗网络（GANs）或潜在扩散模型（LDMs）进行图像生成。先前基于GAN的方法通常难以生成正确的服装褶皱、自然的光影或逼真的人体。因此，更多近期的工作倾向于基于LDM的方法，这些方法有效提高了试穿图像的逼真度。

第二个关键挑战是尽可能保留服装的细节特征，如复杂的文本、纹理、颜色、图案和线条等。先前的研究执行显式的变形过程，将服装特征与目标人体对齐，然后将变形后的服装输入到生成模型（即GANs和LDMs等）中。因此，这种方法的性能极大地依赖于独立变形过程的有效性，而这一过程容易对训练数据过拟合。

图2 OOTDiffusion模型

鉴于上述问题的前景和挑战，一种新颖的基于LDM的虚拟试穿方法，称为Outfitting over Try-on Diffusion（OOTDiffusion；见图2）被提出。

图3 OOTDiffusion 丢弃操作

OOTDiffusion模型生成的效果与其他模型对比，有了较大的提升，可以从对比图可以看出，OOTDiffusion模型生成的效果并没有改变服装的特性，而其他的模型多多少少更改了服装的特性，给人的感觉并没有换上合适的衣服。