西风发自凹非寺
量子位公众号 QbitAI
笑不活，最新虚拟试穿神器被网友们玩坏了。
黄院士、马斯克、奥特曼、史密斯等一众大佬衣服集体被扒。
前有老黄卸下皮衣套上糖果包装袋：
后有奥特曼大秀花臂穿 CUCCI：
再有老马变成了蛛蛛侠：
好莱坞巨星史密斯也风格大变：
但说回研究本身，确实正儿八经的研究。
名为 IDM–VTON，由来自韩国科学技术院和 OMNIOUS.AI 公司的研究团队基于扩散模型打造。
目前官方放出了 demo，大伙儿可以试玩，推理代码已开源。
除了开头所展示的，抱抱脸研究员也玩的不亦乐乎，给老黄换上了专属战袍。其 CEO 连忙转发打趣：我被替代了，没法和他争 CEO。
看热闹的网友也是感慨，经过这么多年，终于不用再担心自己“手残”了（AI 帮你搞定）。
来玩啊～
我们也赶紧上手体验了一把。demo 整个页面是这样婶儿的：
操作起来也是非常简单。
首先上传人物图，可以手动或者自动选择要修改的区域。然后，上传要换的衣服。
直接点击 Try-on，会自动生成掩模图和换装后的图：
上面这张自动生成的掩模把手也选进去了，所以最后生成的左手效果不好。
我们手动选取涂抹一下，同时人和衣服全部都用我们自己的图。
这次效果大伙儿觉得如何？
再来展示一波网友的试玩成品图。
DeepMind 联合创始人苏莱曼穿上了微笑面具修格斯联名款T恤：
甚至不少网友真想要这件衣服。
奥特曼再次被网友当成模特：
当然也有翻车的时候，比如马斯克穿的就是山寨 CUCCI。
看完效果后，接着来看 IDM–VTON 在技术上是如何实现的。
基于扩散模型
技术方面，IDM–VTON 基于扩散模型，通过设计精细的注意力模块来提高服装图像的一致性，并生成真实的虚拟试穿图像。
模型架构大概包含三部分：
- TryonNet：主 UNet，处理人物图像。
- IP-Adapter：图像提示适配器，编码服装图像的高级语义。
- GarmentNet：并行 UNet，提取服装的低级特征。
在为 UNet 提供输入时，研究人员将人物图片的含噪声潜在特征、分割掩模、带掩蔽的图片和 Densepose 数据整合在一起。
他们还会为服装添加详细描述，例如[V]表示“短袖圆领T恤”。这个描述随后用作 GarmentNet（例如，“一张[V]的照片”）和 TryonNet（例如，“模特正在穿[V]”）的输入提示。
TryonNet 和 GarmentNet 产生的中间特征进行了合并，随后传递至自我注意力层。研究人员只使用了来自 TryonNet 的输出的前半部分。这些输出与文本编码器和 IP-Adapter 的特征一起，通过交叉注意力层进行融合。
最终，研究人员对 TryonNet 和 IP-Adapter 模块进行了精细调整，并锁定了模型的其它部分。
实验阶段，他们使用 VITON-HD 数据集训练模型，并在 VITON-HD、DressCode 和内部收集的 In-the-Wild 数据集上进行评估。
IDM–VTON 在定性和定量上都优于先前的方法。
IDM-VTON 可以生成真实的图像并保留服装的细粒度细节。
更多细节，感兴趣的家人们可以查看原论文。
项目链接：
[1]https://idm-vton.github.io/?continueFlag=589fb545dbbb123446456b65a635d849
[2]https://arxiv.org/abs/2403.05139
[3]https://huggingface.co/spaces/yisol/IDM-VTON?continueFlag=589fb545dbbb123446456b65a635d849
参考链接：
[1]https://twitter.com/multimodalart/status/1782508538213933192
[2]https://twitter.com/fffiloni/status/1783158082849108434
[3]https://twitter.com/ClementDelangue/status/1783179067803533577
