OutfitAnyone: Prueba virtual de ultra alta calidad para cualquier prenda y cualquier persona

OutfitAnyone: Ultra-high Quality Virtual Try-On for Any Clothing and Any Person

July 23, 2024

Autores: Ke Sun, Jian Cao, Qi Wang, Linrui Tian, Xindi Zhang, Lian Zhuo, Bang Zhang, Liefeng Bo, Wenbo Zhou, Weiming Zhang, Daiheng Gao

cs.AI

Resumen

La Prueba Virtual de Ropa (VTON) se ha convertido en una tecnología transformadora, capacitando a los usuarios para experimentar con la moda sin necesidad de probar físicamente la ropa. Sin embargo, los métodos existentes a menudo tienen dificultades para generar resultados de alta fidelidad y consistentes en detalle. Si bien los modelos de difusión, como la serie Stable Diffusion, han demostrado su capacidad para crear imágenes de alta calidad y fotorrealistas, enfrentan desafíos formidables en escenarios de generación condicional como VTON. Específicamente, estos modelos tienen dificultades para mantener un equilibrio entre control y consistencia al generar imágenes para pruebas de ropa virtual. OutfitAnyone aborda estas limitaciones aprovechando un modelo de difusión condicional de dos flujos, lo que le permite manejar hábilmente la deformación de prendas para obtener resultados más realistas. Se distingue por factores de modulación de escalabilidad como la pose, la forma del cuerpo y una amplia aplicabilidad, que se extiende desde imágenes de anime hasta imágenes en entornos naturales. El rendimiento de OutfitAnyone en diversos escenarios subraya su utilidad y preparación para implementaciones en el mundo real. Para más detalles y resultados animados, por favor visite https://humanaigc.github.io/outfit-anyone/.

English

Virtual Try-On (VTON) has become a transformative technology, empowering users to experiment with fashion without ever having to physically try on clothing. However, existing methods often struggle with generating high-fidelity and detail-consistent results. While diffusion models, such as Stable Diffusion series, have shown their capability in creating high-quality and photorealistic images, they encounter formidable challenges in conditional generation scenarios like VTON. Specifically, these models struggle to maintain a balance between control and consistency when generating images for virtual clothing trials. OutfitAnyone addresses these limitations by leveraging a two-stream conditional diffusion model, enabling it to adeptly handle garment deformation for more lifelike results. It distinguishes itself with scalability-modulating factors such as pose, body shape and broad applicability, extending from anime to in-the-wild images. OutfitAnyone's performance in diverse scenarios underscores its utility and readiness for real-world deployment. For more details and animated results, please see https://humanaigc.github.io/outfit-anyone/.