AI Papers Daily

#Virtual Try-On

2 篇

CtrlVTON: Controllable Virtual Try-On via Visual-Instance-Prompt Segmentation

CtrlVTON：基于视觉实例提示分割的可控虚拟试穿

🧭 可控虚拟试穿 · 像素级布局控制

NXN Labs · KAIST

提出VIP-SAM实例分割与CtrlVTON图像编辑框架，首次实现试穿中服装风格、尺寸和位置的像素级控制

📌 工作参考价值（4 点）

• 可控试穿为电商商品详情页生成多样化模特图（不同穿法、松紧度），提升用户购买信心
• 配合用户偏好掩码可实现个性化虚拟试穿，增强推荐系统的可视化吸引力与解释性
• VIP-SAM分割能力可用于UGC图片中自动识别同款服装，辅助搭配推荐与社交电商
• 像素级控制思想可迁移至家居、美妆等场景，为生成式推荐提供更精细的可控生成能力

Other | 2026-07-10 | cs.CV | score 6/10

Virtual Try-OnControllable GenerationSegmentationDiffusion ModelsImage EditingVIP-SAM

MakeupMirror: Improving Facial Attribute Preservation in Diffusion Models for Makeup Transfer

MakeupMirror：在妆容迁移扩散模型中提升面部属性保留

🧭 虚拟试妆 · 扩散模型精细化控制

Amazon

通过面部几何控制、区域特定调制和肤色保持，将人脸识别相似度相对提升60%，肤色差异降低50%，推理仅0.7秒

📌 工作参考价值（4 点）

• 电商虚拟试妆：引入 ControlNet 编码面部几何（如边缘、关键点），可在生成中保持人脸结构不变，适合直接移植到在线试妆服务
• 区域特定调制：通过皮肤、眼唇等区域 mask 分别控制 makeup 强度和风格，避免溢出，提升妆容自然度，可迁移至商品图上局部修饰
• 肤色保持模块：跨人妆容迁移时根据源肤色调整参考妆容色彩，防止肤色漂移，增强用户信任，这对生产级 VTO 至关重要
• 加速采样：使用 Levenberg-Marquardt Langevin 采样器，将 50 步扩散降至 0.7s 推理，平衡质量与速度，适合移动端部署

Other | 2026-06-18 | cs.MM | score 6/10

Diffusion ModelsMakeup TransferFacial Attribute PreservationControlNetVirtual Try-On