論文の概要: TAMF-VTON: Texture-Aware Mask-Free Virtual Try-On via High-Fidelity Image Synthesis

• arxiv url: http://arxiv.org/abs/2607.14807v1
• Date: Thu, 16 Jul 2026 10:26:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.060939
• Title: TAMF-VTON: Texture-Aware Mask-Free Virtual Try-On via High-Fidelity Image Synthesis
• Title（参考訳）: TAMF-VTON:高忠実画像合成によるテクスチャ対応マスクフリーバーチャルトライオン
• Abstract要約: TAMF-VTONは、高忠実度画像合成を可能にするテクスチャ対応でマスフリーなフレームワークである。 提案手法では,推測時に人体を解析したり,マスクを塗ったりする必要がなくなる。 多様な衣服スタイル、カテゴリ、量をサポートし、複数のアイテムを同時に転送することができる。
• 参考スコア（独自算出の注目度）: 18.0381961459164
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent diffusion-based virtual try-on (VTON) methods remain limited by their reliance on segmentation masks, insufficient preservation of fine-grained textures, and limited support for arbitrary multi-garment compositions. Consequently, existing approaches still face significant challenges in real-world e-commerce deployment. We present TAMF-VTON, a texture-aware, mask-free framework that enables high-fidelity image synthesis under practical unconstrained conditions. Our method requires no human parsing or inpainting masks at inference time and supports diverse garment styles, categories, and quantities, enabling the simultaneous transfer of multiple items while preserving body structure and intricate texture details. This is achieved through a unified generative pipeline with three key components: (1) a lightweight Mixture-of-Experts (MoE) adaptation scheme that enables efficient fine-tuning without compromising the base model's general editing capabilities; (2) a frequency-domain supervision mechanism that explicitly optimizes high-frequency spectral consistency to preserve high-fidelity textures; and (3) a robust data curation pipeline employing an adaptive inpainting strategy to simulate the inverse VTON process for high-quality training pair generation. Extensive experiments demonstrate that our approach outperforms state-of-the-art methods in both quantitative metrics and perceptual quality. Optimized for efficiency, the model achieves inference in under 15 seconds per image on an NVIDIA RTX 4090 with INT4 quantization. By combining mask-free operation, flexible multi-garment composition, faithful texture preservation, and efficient inference on consumer hardware, TAMF-VTON demonstrates a commercially viable solution for scalable deployment in real-world digital fashion scenarios. The project is available at https://www.style3d.ai/ai-photoshoot/virtual-clothing-try-on.
• Abstract（参考訳）: 近年の拡散型仮想試行法 (VTON) は, セグメンテーションマスクへの依存, きめ細かいテクスチャの保存が不十分, 任意の多官能性組成物へのサポートが限定されている。 その結果、既存のアプローチは、現実のeコマース展開において依然として重大な課題に直面している。 本稿では,テクスチャを意識したマスフリーなフレームワークであるTAMF-VTONについて述べる。 提案手法では, 人体構造を保存し, 複雑なテクスチャを詳細に表現しながら, 多様な衣服スタイル, カテゴリ, 量をサポートし, 複数項目の同時移動を可能にする。 これは、(1)ベースモデルの一般的な編集能力を損なうことなく効率的な微調整を可能にする軽量なMixture-of-Experts (MoE)適応スキーム、(2)高忠実度テクスチャを維持するために高周波数スペクトル一貫性を最適化する周波数領域監視機構、(3)高画質トレーニングペア生成のための逆VTON過程をシミュレートする適応的インペインティング戦略を用いたロバストなデータキュレーションパイプライン、の3つの主要なコンポーネントで実現されている。 大規模な実験により、我々の手法は定量的な測定値と知覚的品質の両方において最先端の手法より優れていることが示された。 効率性に最適化されたモデルは、INT4量子化を備えたNVIDIA RTX 4090上で、1イメージあたり15秒未満の推論を実現する。 マスクレス操作,フレキシブルなマルチガーメント構成,忠実なテクスチャ保存,コンシューマハードウェアの効率的な推論を組み合わせることで,TAMF-VTONは,現実のディジタルファッションシナリオにおけるスケーラブルな展開のための,商業的に実行可能なソリューションを実証する。 このプロジェクトはhttps://www.style3d.ai/ai-photo shoot/virtual-clothing-try-on.comから入手できる。

関連論文リスト

• FDM-MFVT: Few-step Sampling Diffusion Model for Mask-Free Virtual Try-On [46.87401050104062]
  マスクフリーIVTONのための数ステップ拡散モデルFDM-MFVTを提案する。 IDTモジュールは、仮想試着プロンプトと効率的な適応を使用して、衣服と人物の画像だけで高品質な結果を生成する。 実験により、FDM-MFVTはマスクベースやマスクフリーのベースライン法よりも少ない推論ステップで、優れた定量的および定性的な結果が得られることが示された。
  論文  参考訳（メタデータ） (2026-06-28T10:24:45Z)
• PROMO: Promptable Outfitting for Efficient High-Fidelity Virtual Try-On [39.47263059671598]
  VTONは3つの条件条件の下で強い条件生成を要求する構造化画像編集問題である。 本稿では,PROMOについて述べる。PROMOは,マルチモーダル条件が潜在するFlow Matching DiTバックボーン上に構築された,高速な仮想試行フレームワークである。 標準ベンチマークでは、PROMOは従来のVTON法と一般的な画像編集モデルの両方を視覚的忠実度で上回り、品質とスピードの競争力のバランスを保っている。
  論文  参考訳（メタデータ） (2026-03-12T08:41:05Z)
• One-Shot Refiner: Boosting Feed-forward Novel View Synthesis via One-Step Diffusion [57.824020826432815]
  スパース画像から高忠実性ノベルビュー合成(NVS)を実現するための新しいフレームワークを提案する。 ViTバックボーンによって制限されることなく高解像度画像を処理できるデュアルドメイン詳細知覚モジュールを設計する。 我々は,修復過程において高周波の詳細を保存できる特徴誘導拡散ネットワークを開発した。
  論文  参考訳（メタデータ） (2026-01-20T17:11:55Z)
• StdGEN++: A Comprehensive System for Semantic-Decomposed 3D Character Generation [57.06461272772509]
  StdGEN++は、多種多様な入力から高忠実で意味的に分解された3D文字を生成するための、新しく包括的なシステムである。 最先端の性能を達成し、幾何学的精度と意味的絡み合いにおいて既存の手法を著しく上回っている。 結果として、非破壊的な編集、物理学に準拠したアニメーション、視線追跡など、より進んだ下流の機能をアンロックする。
  論文  参考訳（メタデータ） (2026-01-12T15:41:27Z)
• Lavida-O: Elastic Large Masked Diffusion Models for Unified Multimodal Understanding and Generation [63.50827603618498]
  マルチモーダル理解と生成のための統一型マスク付き拡散モデル(MDM)であるLavida-Oを提案する。 Lavida-Oは、画像レベルの理解、オブジェクトのグラウンド化、画像編集、高解像度のテキスト・ツー・イメージ合成を可能にする単一のフレームワークを提供する。 Lavida-Oは、RefCOCOオブジェクトグラウンド、GenEvalテキスト画像生成、ImgEdit画像編集など、幅広いベンチマークで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-09-23T17:05:46Z)
• JCo-MVTON: Jointly Controllable Multi-Modal Diffusion Transformer for Mask-Free Virtual Try-on [15.59886380067986]
  JCo-MVTONは、拡散に基づく画像生成とマルチモーダル条件融合を統合することで制限を克服する新しいフレームワークである。 DressCodeなどの公開ベンチマークで最先端のパフォーマンスを実現し、測定値と人的評価の両方において、既存のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-08-25T02:43:57Z)
• Reference-Guided Diffusion Inpainting For Multimodal Counterfactual Generation [55.2480439325792]
  自律運転や医用画像解析などの安全クリティカルなアプリケーションは、厳格なテストのために広範なマルチモーダルデータを必要とする。 本研究は, 自律運転における合成データ生成法と, 医療画像解析法であるMObIとAnydoorMedの2つの新しい手法を紹介する。
  論文  参考訳（メタデータ） (2025-07-30T19:43:47Z)
• FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
  画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。 自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。 PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。 FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。 この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
  論文  参考訳（メタデータ） (2025-03-25T15:04:53Z)
• MF-VITON: High-Fidelity Mask-Free Virtual Try-On with Minimal Input [69.33864837012202]
  本研究では,一人のイメージとターゲット衣服のみを用いて,現実的なVITONを実現するMask-Free VITONフレームワークを提案する。 既存のMaskベースのVITONモデルを利用して高品質なデータセットを合成する。 このデータセットには、多様で現実的な人物画像とそれに対応する衣服が含まれており、背景も様々で、現実世界のシナリオを模倣している。
  論文  参考訳（メタデータ） (2025-03-11T17:40:59Z)
• ITVTON: Virtual Try-On Diffusion Transformer Based on Integrated Image and Text [1.7071356210178177]
  ITVTONは、Diffusion Transformer (DiT) を単一のジェネレータとして活用し、画像の忠実性を向上させる効率的なフレームワークである。 ITVTONは、幅寸法に沿って衣服や人物の画像を効果的にキャプチャし、両方のテキスト記述を組み込む。 IGPairによる10,257枚の画像対の実験により、実世界のシナリオにおけるITVTONの堅牢性が確認された。
  論文  参考訳（メタデータ） (2025-01-28T07:24:15Z)
• Meissonic: Revitalizing Masked Generative Transformers for Efficient High-Resolution Text-to-Image Synthesis [62.57727062920458]
  本稿では,非自己回帰型マスク画像モデリング(MIM)をSDXLのような最先端拡散モデルに匹敵するレベルまで高めるMeissonicを提案する。 高品質なトレーニングデータを活用し、人間の嗜好スコアから得られるマイクロ条件を統合し、特徴圧縮層を用いる。 我々のモデルは、高画質の高精細画像を生成する際に、SDXLのような既存のモデルに適合するだけでなく、しばしば性能を上回ります。
  論文  参考訳（メタデータ） (2024-10-10T17:59:17Z)

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。