Fugu-MT 論文翻訳(概要): Layering Virtual Try-On

論文の概要: Layering Virtual Try-On

arxiv url: http://arxiv.org/abs/2607.22924v1
Date: Fri, 24 Jul 2026 21:25:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-28 22:34:14.928802
Title: Layering Virtual Try-On
Title（参考訳）: 仮想トライオンのレイヤ化
Abstract要約: 既存のVirtual Try-Onメソッドは単層置換時に優れるが、既存の服を層状にしたり層状にしたりは設計されていない。本稿では,シーケンシャルな階層化を実現しつつ,既存の構成を保存する階層化ベンチマークと手法であるLayering Virtual Try-On (LVTON)を提案する。
参考スコア（独自算出の注目度）: 12.074302866636884
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the real world, fashion is about layering: adding a jacket over a shirt, or a sequence of adding and removing layers, rather than just a single-layer swap. This fundamental real-world task remains a challenge in existing Virtual Try-On (VTON) methods, which excel at single-layer replacement but are not designed to layer or de-layer an existing outfit. This paper proposes Layering Virtual Try-On (LVTON), a layering benchmark and method that preserves an existing outfit while enabling sequential layering. We find that current VTON paradigms are fundamentally ill-equipped for LVTON, as their reliance on cloth-agnostic representations and single-item datasets discards essential layering context. Our key insight is that the LVTON challenge must be disentangled into two distinct competencies: (1) General VTON Priors (e.g., deformation, identity preservation) and (2) Specific Layering Knowledge (e.g., layering order and occlusion reasoning). First, our model obtains general VTON priors by being trained on data produced by an automatic data generation pipeline that synthesizes samples from fashion videos via segmentation and inpainting. Second, the model is fine-tuned on a small, dedicated LVTON dataset to learn the layering logic. Our method achieves state-of-the-art results on our LVTON benchmark and demonstrates superior generalizability on traditional VTON benchmarks, setting new state-of-the-art results when fine-tuned and exhibiting zero-shot capabilities.
Abstract（参考訳）: 現実の世界では、流行は階層化にある。シャツの上にジャケットを加えることや、単層スワップではなく、レイヤーの追加と削除のシーケンスだ。この基本的な現実世界のタスクは、既存の仮想試行錯誤(VTON)メソッドにおいて依然として課題であり、これは単層置換で優れているが、既存の服を層状にしたり、非層化するために設計されていない。本稿では,シーケンシャルな階層化を実現しつつ,既存の構成を保存する階層化ベンチマークと手法であるLayering Virtual Try-On (LVTON)を提案する。現在のVTONパラダイムは基本的にLVTONに不備があることが判明した。我々の重要な洞察は、LVTONチャレンジは、(1)一般VTONプライオリティ(例えば、変形、アイデンティティ保存)と(2)特定階層化知識(例えば、階層化順序と隠蔽推論)の2つの異なる能力に切り離さなければならないということである。まず,ファッションビデオのサンプルをセグメンテーションとインペインティングによって合成する自動データ生成パイプラインによって生成されたデータに基づいて,一般的なVTON先行データを取得する。第二に、モデルは階層化ロジックを学ぶために、小さな専用LVTONデータセットで微調整される。提案手法は,LVTONベンチマークの最先端結果を実現し,従来のVTONベンチマークよりも優れた一般化性を示す。

関連論文リスト

Oxygen-TryOn: Fashion-Native Foundation Model for Any-item Virtual Try-On [50.93194436640413]
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。
論文参考訳（メタデータ） (2026-07-23T17:45:56Z)
Structure-Detail Decoupled Autoregressive Generation for Fast and High-Fidelity Virtual Try-On [51.92060872944388]
VTON(Virtual try-on)は、2条件画像生成の問題である。拡散に基づくVTON法は、固有遅延圧縮による高周波詳細損失に悩まされる。最近の視覚的自己回帰モデルは、高品質な生成に有望な代替手段を提供する。
論文参考訳（メタデータ） (2026-07-13T08:21:43Z)
OmniDiT: Extending Diffusion Transformer to Omni-VTON Framework [16.89102936125974]
拡散変換器に基づくオムニ仮想トライオンフレームワークであるOmniDiTを提案する。まず,データを連続的に生成するための自己進化型データキュレーションパイプラインを構築し,大規模なVTONデータセットOmni-TryOnを構築した。拡散モデルにShifted Window Attentionを導入し、線形複雑化を実現しました。
論文参考訳（メタデータ） (2026-03-20T05:04:55Z)
GO-MLVTON: Garment Occlusion-Aware Multi-Layer Virtual Try-On with Diffusion Models [37.32099831689131]
既存の画像ベースの仮想試行法(VTON)は主に単層または多層VTONに焦点を当てている。本稿では,Garment Occlusion LearningモジュールとStableDiffusionベースのGarment Morphing & Fittingモジュールを導入した最初の多層VTON手法であるGO-MLVTONを提案する。本稿では,この課題に対するMLGデータセットを提案し,その評価のためにLayered Appearance Coherence difference (LACD) という新しい指標を提案する。
論文参考訳（メタデータ） (2026-01-20T02:20:34Z)
Rethinking Garment Conditioning in Diffusion-based Virtual Try-On [7.386027762996787]
高速な単一UNetモデルであるRe-CatVTONを開発した。提案されたRe-CatVTONは前機種に比べて性能が大幅に向上した。その結果,FID,KID,LPIPSのスコアは改善し,SSIMはわずかに低下した。
論文参考訳（メタデータ） (2025-11-24T05:19:44Z)
Undress to Redress: A Training-Free Framework for Virtual Try-On [19.00614787972817]
既存のVTONメソッドとシームレスに統合可能なトレーニングフリーフレームワークであるUR-VTON(Undress-Redress Virtual Try-ON)を提案する。 UR-VTON は 'undress-to-redress' というメカニズムを導入している。また、長袖から短袖へのトライオンのための新しいベンチマークLS-TONも提示する。
論文参考訳（メタデータ） (2025-08-11T06:55:49Z)
OmniVTON: Training-Free Universal Virtual Try-On [53.31945401098557]
イメージベースの仮想トライオン(VTON)技術は、適応性を改善するが、データバイアスと制限された普遍性によって制約される、教師付きインショップアプローチまたは教師なしインザワイルド手法のいずれかに依存している。 OmniVTONは,布地を疎結合にし,テクスチャの忠実さを両立させ,多様な設定に整合性を持たせるための条件付けを行う,初めてのトレーニングフリーユニバーサルVTONフレームワークである。
論文参考訳（メタデータ） (2025-07-20T16:37:53Z)
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)
CatVTON: Concatenation Is All You Need for Virtual Try-On with Diffusion Models [77.39903417768967]
CatVTONは仮想的な試着拡散モデルであり、任意のカテゴリーの衣服をターゲット個人に転送する。 CatVTONはVAEと単純化されたUNetのみで構成され、冗長な画像とテキストエンコーダを除去する。実験により、CatVTONはベースライン法に比べて質的、定量的に優れた結果が得られることが示された。
論文参考訳（メタデータ） (2024-07-21T11:58:53Z)
WAS-VTON: Warping Architecture Search for Virtual Try-on Network [57.52118202523266]
NAS-Warping Moduleを導入し、二階層型検索空間を精巧に設計する。衣料品同士のアライメントを念頭に置いて,反復可能なワープセルと畳み込み操作の組み合わせを学習する。より自然な最終試行結果を合成するためにNAS-Fusion Moduleを提案する。
論文参考訳（メタデータ） (2021-08-01T07:52:56Z)
LV-BERT: Exploiting Layer Variety for BERT [85.27287501885807]
我々は,事前学習モデルに有益である層型集合に畳み込みを導入する。次に、事前学習による進化的アルゴリズムを採用し、最適なアーキテクチャを求める。提案手法により得られたLV-BERTモデルは,様々な下流タスクにおいてBERTとその変種より優れる。
論文参考訳（メタデータ） (2021-06-22T13:20:14Z)

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。