論文の概要: DetailAnywhere: Fashion Detail Generation via Cross-Modal Feature Alignment Distillation
- arxiv url: http://arxiv.org/abs/2607.02220v1
- Date: Thu, 02 Jul 2026 14:26:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.869947
- Title: DetailAnywhere: Fashion Detail Generation via Cross-Modal Feature Alignment Distillation
- Title（参考訳）: DetailAnywhere:クロスモーダル配位蒸留によるファッション詳細生成
- Abstract要約: 拡散に基づく生成AIは、仮想試行、ポスター生成、製品背景合成といった電子商取引アプリケーションで顕著な成功を収めた。
Fashion Detail Generation with focus conditioning, and release FDBench。
FDBenchは41のカテゴリで40K以上の人間検証された参照-詳細ペアからなる最初のベンチマークである。
- 参考スコア（独自算出の注目度）: 13.86318416278238
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion-based generative AI has achieved remarkable success in e-commerce applications such as virtual try-on, poster generation, and product background synthesis. However, when making online purchasing decisions for apparel, consumers also desire the freedom to examine specific detail regions of interest, such as collars, cuffs, and fabric textures, yet existing methods have not explicitly studied this setting. We therefore formalize a new, non-template task: Fashion Detail Generation with focus conditioning, and release FDBench, the first benchmark comprising 40K+ human-verified reference-detail pairs across 41 different categories. This task poses a unique semantic gap challenge: the model must bridge the correspondence between a focus marker on a product reference image and a photorealistic close-up view of the indicated region, while faithfully preserving the garment's identity, without any precise prompt. To bridge this gap, we propose Cross-modal Feature Alignment Distillation (CFAD), which leverages a fine-tuned DINOv3 teacher to align both branches of a Multimodal Diffusion Transformer in a shared semantic space via dual-branch distillation. To further improve consistency between generated details and reference images, we introduce a consistency reward model that jointly scores image pairs along three quality axes and optimizes generation via reinforcement learning. Experiments show that our model DetailAnywhere significantly outperforms all state-of-the-art opensource methods across all metrics and human evaluations.
- Abstract（参考訳）: 拡散に基づく生成AIは、仮想試行、ポスター生成、製品背景合成といった電子商取引アプリケーションで顕著な成功を収めた。
しかし、アパレルのオンライン購入決定を行う際、消費者は、首輪、カフス、布地などの特定の詳細領域を調査する自由を望んでいるが、既存の手法はこの設定を明示的に研究していない。
そこで我々は,Fashion Detail Generation with focus conditioning, Release FDBenchという,41の異なるカテゴリで40K以上の人間認証された参照-詳細ペアからなる最初のベンチマークを定式化した。
モデルは製品参照画像上のフォーカスマーカーと指定された領域のフォトリアリスティックなクローズアップビューとの対応をブリッジしなければならないが、正確なプロンプトなしで衣服のアイデンティティを忠実に保存する必要がある。
このギャップを埋めるために,DINOv3教師を微調整したクロスモーダル・フィーチャーアライメント蒸留(CFAD)を提案し,マルチモーダル拡散変換器の両分岐を二重分岐蒸留により共有意味空間に整合させる。
生成した細部と参照画像との整合性をさらに向上するため、3つの品質軸に沿って画像ペアを共同でスコアリングし、強化学習による生成を最適化する整合性報酬モデルを提案する。
実験の結果、私たちのモデルであるDetailAnywhereは、すべてのメトリクスと人間の評価において、最先端のオープンソースメソッドよりも大幅に優れています。
関連論文リスト
- Fashion130K: An E-commerce Fashion Dataset for Outfit Generation with Unified Multi-modal Condition [17.99064406157974]
我々はFashion130kという新しいeコマースデータセットを提案する。
我々は、テキストと視覚的プロンプトを協調して生成モデルに組み込むために、統一マルチモーダル条件(UMC)を用いたフレームワークを設計する。
実世界のアプリケーションとベンチマークの実験は、視覚的一貫性におけるUTCの有効性を実証している。
論文 参考訳（メタデータ） (2026-05-11T07:40:03Z) - VersaVogue: Visual Expert Orchestration and Preference Alignment for Unified Fashion Synthesis [37.779702074028044]
VersaVogueは、コントロール可能なファッション合成のための統一されたフレームワークである。
衣料品生成と仮想ドレッシングをサポートし、ファッションライフサイクルのデザインとショートステージに対応する。
論文 参考訳（メタデータ） (2026-04-08T15:31:30Z) - Incorporating Visual Correspondence into Diffusion Model for Virtual Try-On [89.9123806553489]
拡散モデルは仮想試行(VTON)タスクで成功している。
この問題は、拡散モデルの本質性により、与えられた衣服の形状や細部を保存することは依然として困難である。
本稿では,視力の拡散前処理として視覚的対応を明示的に活用することを提案する。
論文 参考訳（メタデータ） (2025-05-22T17:52:13Z) - MMTryon: Multi-Modal Multi-Reference Control for High-Quality Fashion Generation [70.83668869857665]
MMTryonはマルチモーダルなマルチ参照VIrtual Try-ONフレームワークである。
テキスト命令と複数の衣料品画像を入力として、高品質な合成試行結果を生成することができる。
論文 参考訳（メタデータ） (2024-05-01T11:04:22Z) - 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) - MMFL-Net: Multi-scale and Multi-granularity Feature Learning for
Cross-domain Fashion Retrieval [3.7045939497992917]
クロスドメインファッション検索は、C2S(Consumer-to-Shop)ドメインの幅広い相違により難しい課題である。
衣料品画像のグローバル・ローカル・アグリゲーション特徴表現を共同で学習できる新しいマルチスケール・マルチグラニュラリティ特徴学習ネットワーク(MMFL-Net)を提案する。
提案モデルでは,マルチタスク属性認識と分類モジュールを多ラベル意味属性および製品IDラベルと組み合わせた。
論文 参考訳（メタデータ） (2022-10-27T02:25:52Z) - Single Stage Virtual Try-on via Deformable Attention Flows [51.70606454288168]
仮想試行は、ショップ内服と基準人物画像が与えられた写真リアルなフィッティング結果を生成することを目的としている。
マルチフロー推定に変形性アテンションスキームを適用した,変形性アテンションフロー(DAFlow)を新たに開発した。
提案手法は,定性的かつ定量的に最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-07-19T10:01:31Z) - Toward Accurate and Realistic Outfits Visualization with Attention to
Details [10.655149697873716]
商用アプリケーションに必要な重要な視覚的詳細を捉えるために,アウトフィット・ビジュアライゼーション・ネットを提案する。
OVNetは,1)意味的レイアウト生成器と2)複数の協調ワープを用いた画像生成パイプラインから構成される。
この手法を利用した対話型インターフェースは,ファッションeコマースのウェブサイトに展開され,圧倒的に肯定的なフィードバックを受けている。
論文 参考訳（メタデータ） (2021-06-11T19:53:34Z) - Where to Look and How to Describe: Fashion Image Retrieval with an
Attentional Heterogeneous Bilinear Network [50.19558726384559]
画像に基づくファッション商品検索のための生物学的にインスパイアされたフレームワークを提案する。
提案フレームワークは,3つの画像に基づくファッション製品検索ベンチマークにおいて,満足な性能を実現する。
論文 参考訳（メタデータ） (2020-10-26T06:01:09Z) - Devil's in the Details: Aligning Visual Clues for Conditional Embedding
in Person Re-Identification [94.77172127405846]
歩行者画像の詳細な情報をよりよく活用するための2つの重要な認識パターンを提案する。
CACE-Netは3つの公開データセット上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-09-11T06:28:56Z)
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。