論文の概要: FEAT: Fashion Editing and Try-On from Any Design

• arxiv url: http://arxiv.org/abs/2605.02393v1
• Date: Mon, 04 May 2026 09:35:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.222668
• Title: FEAT: Fashion Editing and Try-On from Any Design
• Title（参考訳）: FEAT:あらゆるデザインからファッション編集と試行
• Authors: Soye Kwon, Keonyoung Lee, Dahuin Jung, Jaekoo Lee,
• Abstract要約: 本稿では,多様なデザインソースを用いて,衣服やアクセサリーの編集と試着を可能にするFEATを提案する。 FEATは、設計の柔軟性、迅速な一貫性、視覚リアリズムにおいて最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 10.741768879457092
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Fashion design aims to express a designer's creative intent and to depict how garments interact with the human body. Recent methods condition on multimodal inputs to support garment editing and virtual try-on. However, existing methods still (i) confine design to garment-related images, excluding creative design sources such as artwork, abstract imagery, and natural photographs, and (ii) cannot support complete outfits, including accessories. We present FEAT (Fashion Editing And Try-On from Any Design), a method that enables editing and try-on across garments and accessories using diverse design sources. To achieve this, we introduce Disentangled Dual Injection (DDI). It takes both apparel and non-apparel design sources and selectively injects design cues via content and style disentanglement. Furthermore, we propose Orthogonal-Guided Noise Fusion (OGNF), a training-free mechanism that removes residual garments via orthogonal projection and applies region-specific noise strategies to enable virtual try-on for both garments and accessories. Extensive experiments demonstrate that FEAT achieves state-of-the-art performance in design flexibility, prompt consistency, and visual realism.
• Abstract（参考訳）: ファッションデザインは、デザイナーの創造的な意図を表現し、衣服が人体とどのように相互作用するかを描くことを目的としている。 衣料品編集と仮想試着を支援するマルチモーダル入力に関する最近の動向 しかし、現存する方法はまだ残っている。 一 美術品、抽象画、自然写真等の創造的デザイン資料を除く。 (二)付属品を含む完全な装束をサポートできない。 FEAT(Fashion Editing and Try-On from Any Design)は,様々なデザインソースを用いて,衣服やアクセサリーの編集と試着を可能にする手法である。 これを実現するために、DDI(Disentangled Dual Injection)を導入する。 アパレルと非アパレルの両方のデザインソースを取り、コンテンツとスタイルのゆがみによってデザインキューを選択的に注入する。 さらに,直交投影による残留衣料を除去する訓練自由機構であるOrthogonal-Guided Noise Fusion (OGNF)を提案する。 大規模な実験は、FEATが設計の柔軟性、迅速な一貫性、視覚リアリズムにおいて最先端のパフォーマンスを達成することを実証している。

関連論文リスト

• One Model For All: Partial Diffusion for Unified Try-On and Try-Off in Any Pose [99.056324701764]
  textbfOMFA (emphOne Model For All) は仮想トライオンとトライオフの両方のための統合拡散フレームワークである。 フレームワークは完全にマスクフリーで、単一のポートレートとターゲットのポーズのみを入力として必要とします。 試着タスクと試着タスクの両方で最先端の結果が得られ、仮想衣料合成のための実用的で一般化可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-08-06T15:46:01Z)
• Inverse Virtual Try-On: Generating Multi-Category Product-Style Images from Clothed Individuals [76.96387718150542]
  テキスト強化Multi-category Virtual Try-Off(TEMU-VTOFF)を提案する。 私たちのアーキテクチャは、画像、テキスト、マスクなどの複数のモードから衣料情報を受け取り、複数のカテゴリで機能するように設計されています。 VITON-HDおよびDress Codeデータセットの実験では、TEMU-VTOFFがVTOFFタスクに新たな最先端を設定していることが示されている。
  論文  参考訳（メタデータ） (2025-05-27T11:47:51Z)
• IMAGDressing-v1: Customizable Virtual Dressing [58.44155202253754]
  IMAGDressing-v1は、固定された衣服とオプション条件で自由に編集可能な人間の画像を生成する仮想ドレッシングタスクである。 IMAGDressing-v1は、CLIPのセマンティック特徴とVAEのテクスチャ特徴をキャプチャする衣料UNetを組み込んでいる。 本稿では,凍結自己注意とトレーニング可能なクロスアテンションを含むハイブリッドアテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2024-07-17T16:26:30Z)
• HAIFIT: Human-to-AI Fashion Image Translation [6.034505799418777]
  本稿では,スケッチを高忠実なライフスタイルの衣料品画像に変換する新しいアプローチであるHAIFITを紹介する。 本手法は, ファッションデザインに欠かせない, 独特のスタイルの保存に優れ, 細部が複雑である。
  論文  参考訳（メタデータ） (2024-03-13T16:06:07Z)
• Improving Diffusion Models for Authentic Virtual Try-on in the Wild [53.96244595495942]
  本稿では,キュレートされた衣服を身に着けている人のイメージをレンダリングする,イメージベースの仮想試行について考察する。 衣服の忠実度を改善し,仮想試行画像を生成する新しい拡散モデルを提案する。 本稿では,一対の人着画像を用いたカスタマイズ手法を提案する。
  論文  参考訳（メタデータ） (2024-03-08T08:12:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。