論文の概要: Oxygen-TryOn: Fashion-Native Foundation Model for Any-item Virtual Try-On

• arxiv url: http://arxiv.org/abs/2607.21694v1
• Date: Thu, 23 Jul 2026 17:45:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:56.960819
• Title: Oxygen-TryOn: Fashion-Native Foundation Model for Any-item Virtual Try-On
• Title（参考訳）: Oxygen-TryOn: 任意の仮想トライオンのためのFashion-Native Foundation Model
• Abstract要約: Oxygen-TryOnは、仮想トライオンのための統一された基盤モデルである。 専用のデータエンジンと試行専用のトレーニングを通じて試行できるように構築されている。
• 参考スコア（独自算出の注目度）: 50.93194436640413
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Oxygen-TryOn, a unified foundation model for any-item virtual try-on. Rather than repurposing a general-purpose image editor, Oxygen-TryOn is fashion-native, built for try-on through a dedicated data engine and try-on-specific training. Given one or more reference items (clean product shots or in-the-wild worn-on photos) and a single target subject image, it synthesizes a photorealistic image of the subject wearing the items across virtually any fashion category. Prior systems handle a single garment category in a studio setting, and recent multi-reference methods remain garment-centric; in contrast, Oxygen-TryOn supports diverse items and scenarios, including full- and half-body views, a variable number of references, and free multi-item composition, while faithfully preserving both subject identity and item appearance. Instead of mask-based inpainting, we reformulate try-on as a multi-reference, understanding-driven generation task. We build a data engine that collects, manufactures, annotates, and filters high-quality try-on data at scale, and design a three-stage recipe of continued pre-training (CPT), supervised fine-tuning (SFT), and reinforcement learning (RL). The RL stage uses a hybrid reward combining an in-house try-on reward model with a proprietary, rubric-guided general-purpose model, jointly supervising fine-grained consistency and instruction-level quality. It also follows general editing instructions (e.g., pose changes) in the same pass. Across public benchmarks and our in-house Oxygen-TryOn Bench, it achieves state-of-the-art consistency and realism on single-item try-on and leads on multi-item try-on, matching or surpassing both leading proprietary systems (Nano Banana Pro, GPT-Image-2, Seedream5 Lite) and open-source models (FLUX.2).
• Abstract（参考訳）: 仮想試行のための統合基盤モデルであるOxygen-TryOnを提案する。 汎用イメージエディタを再購入する代わりに、Oxygen-TryOnはファッションネイティブで、専用のデータエンジンとトライオン固有のトレーニングを通じて試用するために構築されている。 1つ以上の参照項目(クリーン製品ショットまたはワンターゲットの被写体画像)と1つの対象画像とが与えられた場合、事実上あらゆるファッションカテゴリーにわたって、被写体を装着した写真現実像を合成する。 対照的にOxygen-TryOnは、フルボディとハーフボディビュー、可変数の参照、自由なマルチイテム構成など、さまざまなアイテムやシナリオをサポートしながら、対象のアイデンティティとアイテムの外観を忠実に保存している。 マスクベースの塗り絵の代わりに,マルチ参照・理解駆動型生成タスクとして試行を再構成する。 我々は、高品質な試行データを大規模に収集、製造、注釈付け、フィルタするデータエンジンを構築し、継続事前学習(CPT)、教師付き微調整(SFT)、強化学習(RL)の3段階のレシピを設計する。 RLステージでは、社内トライオン報酬モデルとプロプライエタリなルーリック誘導汎用モデルを組み合わせたハイブリッド報酬を使用して、きめ細かい一貫性と命令レベルの品質を共同で監視する。 また、同じパスで一般的な編集命令(例えば、ポーズ変更)に従う。 公開ベンチマークと社内のOxygen-TryOn Benchを通じて、単一項目トライオンにおける最先端の一貫性とリアリズムを実現し、主要なプロプライエタリシステム(Nano Banana Pro、GPT-Image-2、Seedream5 Lite)とオープンソースモデル(FLUX.2)の整合性、あるいは超越性を実現する。

関連論文リスト

• UniLayDiff: A Unified Diffusion Transformer for Content-Aware Layout Generation [54.38636515750502]
  コンテンツ対応レイアウト生成タスクのための統一拡散変換器UniLayDiffを提案する。 我々は、背景画像、レイアウト要素、および多様な制約の間の複雑な相互作用を捉えるために、マルチモード拡散トランスフォーマフレームワークを使用します。 実験により、UniLayDiffは条件のないタスクから様々な条件生成タスクにまたがって最先端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） (2025-12-09T18:38:44Z)
• OneReward: Unified Mask-Guided Image Generation via Multi-Task Human Preference Learning [26.133555631867385]
  OneRewardは統合強化学習フレームワークで、複数のタスクにわたってモデルの生成能力を向上する。 マルチタスク強化学習によるマスク誘導生成モデルであるSeedream 3.0 Fillを開発した。
  論文  参考訳（メタデータ） (2025-08-28T17:59:46Z)
• OmniTry: Virtual Try-On Anything without Masks [13.981452272679785]
  本稿では,VTON(Virtual Try-ON)を衣料以外のウェアラブルオブジェクトにまで拡張する統合フレームワークであるOmniTryについて述べる。 データキュレーションは、オブジェクト画像とそれに対応する試行結果のペア画像を得るのに困難である。
  論文  参考訳（メタデータ） (2025-08-19T08:47:31Z)
• 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)
• FashionComposer: Compositional Fashion Image Generation [38.34543351663932]
  合成ファッション画像生成のためのFashionComposerを提案する。 マルチモーダル入力(テキストプロンプト、パラメトリックヒューマンモデル、衣料品画像、顔画像)を採用し、人間の外観、ポーズ、人物像をパーソナライズする。 包括的なソリューションとして、FashionComposerは、ヒューマンアルバム生成や多様な仮想試行タスクなど、他の多くのアプリケーションもサポートしています。
  論文  参考訳（メタデータ） (2024-12-18T18:59:50Z)
• 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)
• AnyDoor: Zero-shot Object-level Image Customization [63.44307304097742]
  ユーザが指定した場所の新しいシーンにターゲットオブジェクトをテレポートする機能を備えた拡散ベースのイメージジェネレータであるAnyDoorを紹介する。 我々のモデルは1回のみ訓練され、推論段階では多様なオブジェクトとシーンの組み合わせに懸命に一般化される。
  論文  参考訳（メタデータ） (2023-07-18T17:59:02Z)
• 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)

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。