EVTAR: Prueba de prendas de extremo a extremo con referencia visual adicional no emparejada

Resumen

Proponemos EVTAR, un modelo de Prueba Virtual de Fin a Fin con Referencia Adicional, que ajusta directamente la prenda objetivo sobre la imagen de la persona mientras incorpora imágenes de referencia para mejorar la precisión de la prueba. La mayoría de los enfoques existentes de prueba virtual dependen de entradas complejas, como imágenes de personas agnósticas, postura humana, *densepose* o puntos clave corporales, lo que los hace laboriosos e impracticables para aplicaciones del mundo real. En contraste, EVTAR adopta una estrategia de entrenamiento en dos etapas, permitiendo una inferencia simple con solo la imagen fuente y la prenda objetivo como entradas. Nuestro modelo genera resultados de prueba sin necesidad de máscaras, *densepose* o mapas de segmentación. Además, EVTAR aprovecha imágenes de referencia adicionales de diferentes personas usando la misma ropa para preservar mejor la textura de la prenda y los detalles finos. Este mecanismo es análogo a cómo los humanos consideran modelos de referencia al elegir outfits, simulando así un efecto de vestimenta más realista y de mayor calidad. Enriquecimos los datos de entrenamiento con referencias suplementarias e imágenes de personas no emparejadas para respaldar estas capacidades. Evaluamos EVTAR en dos *benchmarks* ampliamente utilizados y diversas tareas, y los resultados validan consistentemente la efectividad de nuestro enfoque.

English

We propose EVTAR, an End-to-End Virtual Try-on model with Additional Reference, that directly fits the target garment onto the person image while incorporating reference images to enhance try-on accuracy. Most existing virtual try-on approaches rely on complex inputs such as agnostic person images, human pose, densepose, or body keypoints, making them labor-intensive and impractical for real-world applications. In contrast, EVTAR adopts a two-stage training strategy, enabling simple inference with only the source image and the target garment inputs. Our model generates try-on results without masks, densepose, or segmentation maps. Moreover, EVTAR leverages additional reference images of different individuals wearing the same clothes to preserve garment texture and fine-grained details better. This mechanism is analogous to how humans consider reference models when choosing outfits, thereby simulating a more realistic and high-quality dressing effect. We enrich the training data with supplementary references and unpaired person images to support these capabilities. We evaluate EVTAR on two widely used benchmarks and diverse tasks, and the results consistently validate the effectiveness of our approach.

EVTAR: Prueba de prendas de extremo a extremo con referencia visual adicional no emparejada

EVTAR: End-to-End Try on with Additional Unpaired Visual Reference

Resumen

Support