AI穿衣

定义

AI穿衣是一种以人工智能为支撑的虚拟试穿技术，输入通常是待试穿服装的图像与人物图像，输出则是人物穿着这件服装的新图像。它把服装当作可迁移的视觉对象，通过算法完成服装与人体之间的对应关系，从而在屏幕上呈现换装后的样子。^[1]

这一概念在学术文献中多以“虚拟试穿网络”（Virtual Try-On Network）的形式出现，早期研究只针对上衣，随后扩展到裤装、裙装、多件套搭配乃至视频换装。它与三维试衣不同之处在于，基于图像的方案不依赖深度相机等专用硬件，成本较低、适应性较强，因此在在线零售场景中被广泛研究。

原理

按输入形式划分，虚拟试穿大致可分为二维图像方案与三维方案。二维方案以一张人物照片和一张服装商品图为基础，合成人物穿上该服装的图像；三维方案则依赖多视角服装图像或人体网格模型，力求表现纵深与沉浸感，但获取数据的要求更高。多数实际产品采用二维图像方案。^[1]

典型的处理流程包含三个环节：人体姿态估计与特征提取、服装形变、图像合成。姿态与特征环节通过人体分割、关键点检测、密集姿态估计等方式确定身体各部位的位置与形状；服装形变环节负责把平铺或穿在他人身上的服装调整到目标身形与姿态；图像合成环节再把变形后的服装与人物图像融合，并处理接缝、遮挡与光影。服装形变的技术路线已从显式的几何变换和外观流估计，逐步转向与扩散模型、Transformer 结合的隐式形变。^[2]

早期方法以生成对抗网络为主体，先由专门的变形网络让服装与人体在几何上对齐，再由生成器融合纹理。这类方法建立在若干较强假设之上，例如训练数据成对分布、姿态可作线性变换、纹理与几何相互独立，因此在复杂背景和大幅姿态变化下容易出现边界错位与纹理模糊，训练本身也存在不稳定和模式塌缩的问题。^[1]

近年扩散模型成为主流。研究通过潜在空间扩散、多条件控制网络与图像编码器等手段，把服装图像、姿态图、分割图作为约束条件参与生成，并用特征保持模块守住纹理、标识等细节。在公开基准上的比较显示，基于扩散模型的网络在图像合成质量上总体优于传统生成对抗网络。^[3][2]

graph LR

A[人物图像与目标服装] --> B[姿态估计与人体分割]

B --> C[服装形变与对齐]

C --> D[图像合成与细节修复]

D --> E[试穿结果图像]

发展历程

2017 年，有研究借鉴循环生成对抗网络的思路提出条件类比生成对抗网络，用网络直接学习服装掩码并与原图融合，实现简单的换装效果。该方法难以应对细节与几何变化，只能生成较为粗略的结果，但在这一方向上具有开创意义。

2018 年是关键节点。VITON 提出由粗到细的试穿网络，先用编码器解码器生成初步结果，再通过上下文匹配计算薄板样条参数对服装变形，最后与初步结果合成，并配套构建了此后被广泛使用的数据集，被视为该领域的里程碑。同年出现的 CP-VTON 把服装变形改写为可学习的过程，提出几何匹配模块，成为后续大量工作的基础框架与对比对象。

此后数据集与模型持续演进。VITON 数据集收录约 1.6 万组正面女性与上衣图像，分辨率 256；2021 年的 VITON-HD 把分辨率提升到 1024；2022 年的 Dress Code 进一步覆盖多类服装。近年的研究则以扩散模型替代生成对抗网络作为生成主干，在细节保真与姿态泛化上取得进展。^[2]

在消费端，谷歌于 2023 年 6 月在搜索引擎中上线虚拟试穿，初期支持上衣类目并可在 40 种女性体型上预览效果；2025 年该功能扩展为允许用户上传自己的全身照片，直接在本人形象上试穿。开放人工智能研究机构的 ChatGPT 也在随后加入试穿工具，用户上传自拍与全身照后即可生成穿着该商品的图像，其能力来自图像生成模型。^[4][5][6]

应用

服装电商是其最主要的落地场景。用户在下单前可直观看到商品穿在自己或相似体型模特身上的样子，有助于了解版型与风格。^[7]

除静态图片试穿外，相关研究还延伸到多种形态：把他人身上的服装迁移到目标人物、多件衣物自由组合搭配、以及把服装套用到视频上以从不同角度展示。^[8]

部分系统把增强现实与人工智能结合，让用户通过摄像头实时看到服装投射在身上的效果，或使用可定制的三维数字人形象在虚拟环境中预览服装，同时接入对话式助手提供搭配建议。^[9]

在购物平台内部，试穿功能还常与大型语言模型驱动的推荐引擎联动，根据用户的文字描述与偏好给出整套搭配建议，并支持保存商品与查找替代品。^[10]

局限

生成结果并不等于真实穿着效果。服务提供方明确说明，生成图像可能出现体型、个人特征或服装细节方面的误差，只能作为视觉参考，无法判断或保证服装的实际合身程度，尺码是否有货仍由商家决定，用户仍需参考尺码表与商品说明。^[7][11]

技术层面仍有若干未解决问题。多层衣物叠加组合、复杂人体姿态、非刚性形变建模以及实时交互，均是现有模型表现受限的环节，模型的泛化能力有待提升；变形网络也难以把服装与人体做到完全对齐，未对齐区域会影响合成质量。^[2]

此外，试穿需要用户提供本人照片，图像数据的用途值得关注。有报道指出，在默认设置下，用户上传至部分平台的图片可能被用于模型训练，用户可在设置中更改该选项。^[11]

参见

• 扩散模型 —— 当前虚拟试穿生成环节的主流技术基础。

• 生成对抗网络 —— 早期虚拟换装模型普遍采用的生成框架。

• 增强现实 —— 与虚拟试穿结合，实现摄像头前的实时换装展示。

• 人体姿态估计 —— 虚拟试穿流程中确定身体部位位置与形状的先行步骤。

• 电子商务 —— 虚拟试穿最重要的应用领域。