論文の概要: OmniTryOn: Video Try-On Anything at Once!

• arxiv url: http://arxiv.org/abs/2606.08514v1
• Date: Sun, 07 Jun 2026 08:40:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.180494
• Title: OmniTryOn: Video Try-On Anything at Once!
• Title（参考訳）: OmniTryOn: Video Try-On Anything at Once!
• Authors: Changliang Xia, Chengyou Jia, Minnan Luo, Zhuohang Dang, Xin Shen, Bowen Ping,
• Abstract要約: 本稿では,多様なウェアラブルオブジェクトを1回の推論パスで動画に同時転送することを目的とした,新しいTry-On Anythingタスクを提案する。 OmniTryOnは、このタスクに対処するために設計された外部プライオリティな生成フレームワークである。 TryAny-Benchの実験では、OmniTryOnが既存のバーチャルバーチャルトライオンモデルを大幅に上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 32.91851342240063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although video virtual try-on (VVT) has achieved significant progress, existing methods still exhibit two fundamental limitations: first, they are restricted to single-garment transfer, rendering simultaneous multi-object try-on highly impractical; second, their heavy reliance on explicit external priors (e.g., garment masks) inevitably destroys crucial physical dynamics and degrades visual quality. To bridge this gap, this paper proposes the novel Try-On Anything task, which aims to simultaneously transfer diverse wearable objects onto a person in a video in a single inference pass. To support and standardize this paradigm, we introduce TryAny-Bench, a comprehensive benchmark encompassing a paired video dataset alongside a tailored evaluation protocol. Furthermore, we present OmniTryOn, an external-prior-free generative framework designed to tackle this task. Specifically, OmniTryOn employs a First Frame Wearable Cache strategy, which directly provides diverse wearable objects for the generation process through the initial video frame. To maintain consistency, we propose the Spatiotemporally Consistent RoPE (STC-RoPE), which inherently establishes robust spatiotemporal anchors to strictly preserve complex human motions and background dynamics. Optimized by the proposed Gradual Try-On (GTO) training strategy, our model progressively masters robust multi-object synthesis. Extensive experiments on TryAny-Bench demonstrate that OmniTryOn significantly outperforms existing specialized video virtual try-on models and general video editing baselines, establishing a powerful new standard for the Try-On Anything task. Our dataset, code, and models are available at https://github.com/xcltql666/OminTryOn.
• Abstract（参考訳）: ビデオ仮想トライオン(VVT)は大きな進歩を遂げているが、既存の手法では、ひとつはシングルガーメント転送に制限されていること、もうひとつは、複数のオブジェクトのトライオンを同時にレンダリングすること、もうひとつは、露骨な外装マスク(例えば、仮装マスク)に大きく依存していることは、必然的に重要な物理的ダイナミクスを破壊し、視覚的品質を低下させることである。 このギャップを埋めるために,本研究では,多様なウェアラブルオブジェクトを1回の推論パスで動画に同時転送することを目的とした,新しいTry-On Anythingタスクを提案する。 このパラダイムをサポートし,標準化するために,TryAny-Benchを紹介した。 さらに,この課題に対処するために設計された外部プライアレス生成フレームワークであるOmniTryOnを紹介する。 具体的には、OmniTryOnはFirst Frame Wearable Cache戦略を採用している。 一貫性を維持するために,複雑な人間の動きや背景のダイナミクスを厳格に保存するために,頑健な時空間アンカーを本質的に確立する時空間整合RoPE(STC-RoPE)を提案する。 提案したGradual Try-On(GTO)トレーニング戦略によって最適化されたモデルでは,ロバストな多目的合成を段階的にマスターする。 TryAny-Benchでの大規模な実験では、OmniTryOnは既存のバーチャルバーチャルトライオンモデルと一般的なビデオ編集ベースラインを大きく上回っており、トライオンタスクの強力な新しい標準を確立している。 私たちのデータセット、コード、モデルはhttps://github.com/xcltql666/OminTryOnで利用可能です。

関連論文リスト

• OmniWeaving: Towards Unified Video Generation with Free-form Composition and Reasoning [81.93748829204145]
  オムニウィービング(OmniWeaving)は、強力なマルチモーダル合成と推論インフォームド機能を備えたオムニレベルのビデオ生成モデルである。 我々はIntelligentVBenchを紹介した。IntelligentVBenchは、次世代のインテリジェントな統合ビデオ生成を厳格に評価するために設計された、最初の包括的なベンチマークである。 実験により、OmniWeavingはオープンソース統一モデル間でSoTAのパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2026-03-25T16:08:18Z)
• Generative Video Matting [57.186684844156595]
  ビデオ・マッティングは、伝統的に高品質な地上データがないために制限されてきた。 既存のビデオ・マッティング・データセットのほとんどは、人間が注釈付けした不完全なアルファとフォアグラウンドのアノテーションのみを提供する。 本稿では,事前学習したビデオ拡散モデルから,よりリッチな事前処理を効果的に活用できる新しいビデオマッチング手法を提案する。
  論文  参考訳（メタデータ） (2025-08-11T12:18:55Z)
• DreamVVT: Mastering Realistic Video Virtual Try-On in the Wild via a Stage-Wise Diffusion Transformer Framework [26.661935208583756]
  VVT(Virtual try-on)技術は、eコマース広告やエンターテイメントに将来性があるとして、学術的な関心を集めている。 本研究では,現実のシナリオにおける適応性を高めるために,多種多様な人間中心データを活用することが可能なDreamVVTを提案する。 第1段階では、入力ビデオから代表フレームをサンプリングし、視覚言語モデル(VLM)と統合された多フレーム試行モデルを用いて、高忠実で意味論的に整合した試行画像を合成する。 第2段階では、微粒な動きと外観記述とともに骨格図が作成される。
  論文  参考訳（メタデータ） (2025-08-04T18:27:55Z)
• Stable Virtual Camera: Generative View Synthesis with Diffusion Models [51.71244310522393]
  本稿では,シーンの新たなビューを生成する汎用拡散モデルであるスタブルバーチャルカメラ(Seva)を紹介する。 このアプローチは、シンプルなモデル設計、最適化されたトレーニングレシピ、柔軟なサンプリング戦略によってこれらの制限を克服する。 提案手法では,シームレスなループ閉鎖により,最大半分間の高品質なビデオを生成することができる。
  論文  参考訳（メタデータ） (2025-03-18T17:57:22Z)
• Multi-object Video Generation from Single Frame Layouts [84.55806837855846]
  本研究では,グローバルシーンを局所オブジェクトに合成するビデオ生成フレームワークを提案する。 我々のフレームワークは、画像生成手法からの非自明な適応であり、この分野では新しくなっています。 本モデルは広範に使用されている2つのビデオ認識ベンチマークで評価されている。
  論文  参考訳（メタデータ） (2023-05-06T09:07:01Z)

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。