論文の概要: Fashion Outfit Generation via Unified Sequential Composition Models
- arxiv url: http://arxiv.org/abs/2608.13888v1
- Date: Fri, 14 Aug 2026 02:40:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.25342
- Title: Fashion Outfit Generation via Unified Sequential Composition Models
- Title（参考訳）: 統合シーケンス構成モデルによるファッション収益生成
- Abstract要約: 本稿では,制約付きアンサンブル生成タスクを有限水平決定性マルコフ決定過程として定式化する。
CEGを形式的に扱うために、セットレベルの互換性と潜在構成意図を協調的にモデル化する統一シーケンス構成モデル(USCM)を提案する。
Polyvore Outfitsデータセットの実験は、iFashionデータセットとPolyvoreUデータセットのゼロショット評価とともに、我々のフレームワークが最先端のパフォーマンスを達成することを実証している。
- 参考スコア（独自算出の注目度）: 27.626476941386823
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The task of synthesizing stylistically coherent fashion outfits from massive item libraries, known as fashion outfit generation, remains a non-trivial challenge, primarily due to the non-monotonic and implicit nature of aesthetic compatibility, coupled with the exponentially large combinatorial search space. In this paper, we formalize this task as Constrained Ensemble Generation (CEG) and model it as a finite-horizon deterministic Markov Decision Process. To address CEG in fashion, we propose the Unified Sequential Composition Model (USCM), which jointly models set-level compatibility and latent composition intents. Guided by USCM's learned priors, a Latent Expansion Monte Carlo Tree Search (LE-MCTS) mechanism is proposed to handle item retrieval during composition, balancing local aesthetic synergy with global structural balance. Extensive experiments on the Polyvore Outfits dataset, along with zero-shot evaluations on the iFashion and PolyvoreU datasets, demonstrate that our framework achieves state-of-the-art performance across independent human preference evaluations, automated aesthetic proxies, and structural validity metrics for constrained fashion outfit generation.
- Abstract（参考訳）: ファッション・コスチューム・ジェネレーション(英語版)として知られる巨大なアイテム・ライブラリーからスタイリスティックにコヒーレントなファッション・コスチュームを合成する作業は、主に非モノトニックで暗黙的な美的整合性、そして指数関数的に大きなコンビナトリアル・サーチ・スペース(英語版)と組み合わさって、非常に難しい課題である。
本稿では,このタスクを制約付きアンサンブル生成(CEG)として定式化し,有限水平決定論的マルコフ決定過程としてモデル化する。
CEGを形式的に扱うために、セットレベルの互換性と潜在構成意図を協調的にモデル化する統一シーケンス構成モデル(USCM)を提案する。
USCMの学習した先行研究から導かれたLE-MCTS(Latent Expansion Monte Carlo Tree Search)機構は,局所的な審美的シナジーとグローバルな構造的バランスのバランスを保ちながら,構成中の項目の検索を行う。
Polyvore Outfitsデータセットに関する大規模な実験は、iFashionとPolyvoreUデータセットのゼロショット評価とともに、我々のフレームワークが、独立した人間の嗜好評価、自動美容プロキシ、制約付きファッションウェア生成のための構造的妥当性測定など、最先端のパフォーマンスを達成することを実証している。
関連論文リスト
- Causal Object-Centric Models for Planning with Monte Carlo Tree Search [49.61977404247856]
COMETはモンテカルロ木探索を行うモデルベース強化学習アルゴリズムである。
ポリシーとバリューヘッドは、学習されたスロットごとのレバレンススコアによってトークン間の相互作用を変調するオブジェクト・カウザリの注意を使用する。
COMETは、トレーニングの初期段階において、オブジェクト中心のベースラインやモノリシックなベースラインよりも平均正規化スコアが高い。
論文 参考訳（メタデータ） (2026-06-12T12:55:25Z) - CFALR: Collaborative Filtering-Augmented Large Language Model for Personalized Fashion Outfit Recommendation [65.826552825037]
CFALR(Collaborative Filtering-Augmented Large Language Model for Recommendation)は、大規模言語モデルと協調フィルタリングを連携させ、パーソナライズされた服装推薦を行う新しいフレームワークである。
技術的な貢献は,(1)パーソナライズされた衣服のレコメンデーションに特化して設計された最初のLCMアーキテクチャ,(2)衣料品の広い組み合わせ空間を効率的にナビゲートするCF拡張生成機構,(3)リレーショナルとコンテンツの特徴を最適に統合するトレーニング可能なプロジェクション層である。
論文 参考訳（メタデータ） (2026-06-11T07:38:15Z) - 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) - HiCoGen: Hierarchical Compositional Text-to-Image Generation in Diffusion Models via Reinforcement Learning [66.99487505369254]
HiCoGenは、新しいChain of Synthesisパラダイムに基づいて構築されている。
複雑なプロンプトを最小の意味単位に分解する。
その後、これらのユニットを反復的に合成し、各ステップで生成された画像が次に重要な視覚的コンテキストを提供する。
実験により,提案手法は概念カバレッジと構成精度の両方において,既存手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2025-11-25T06:24:25Z) - STAR-Rec: Making Peace with Length Variance and Pattern Diversity in Sequential Recommendation [61.320991769685065]
STAR-Recは、好みを認識した注意と状態空間モデリングを組み合わせた新しいアーキテクチャである。
STAR-Recは、最先端のシーケンシャルレコメンデーション手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2025-05-06T12:40:38Z) - FashionDPO:Fine-tune Fashion Outfit Generation Model using Direct Preference Optimization [12.096130595139364]
そこで本研究では,ファッション服のファッション生成モデルであるファッションDPO(FashionDPO)を,直接選好最適化を用いて微調整する手法を提案する。
このフレームワークは、タスク固有の報酬関数を設計することなく、ファッション生成モデルに対する汎用的な微調整アプローチを提供することを目的としている。
iFashionとPolyvore-Uの2つのデータセットの実験では、モデルのパーソナライズされた好みに合わせる能力を高める上で、我々のフレームワークの有効性が示されている。
論文 参考訳（メタデータ） (2025-04-17T12:41:41Z) - Learning to Synthesize Compatible Fashion Items Using Semantic Alignment and Collocation Classification: An Outfit Generation Framework [59.09707044733695]
衣料品全体を合成することを目的とした,新しい衣料品生成フレームワークであるOutfitGANを提案する。
OutfitGANにはセマンティックアライメントモジュールがあり、既存のファッションアイテムと合成アイテムのマッピング対応を特徴付ける。
提案モデルの性能を評価するため,20,000のファッション衣装からなる大規模データセットを構築した。
論文 参考訳（メタデータ） (2025-02-05T12:13:53Z) - Towards Intelligent Design: A Self-driven Framework for Collocated Clothing Synthesis Leveraging Fashion Styles and Textures [17.35328594773488]
衣料品合成(CCS)はファッション技術において重要な話題となっている。
これまでの調査では、上着と下着のペアのようなペアの衣装を使って、この課題を達成するための生成モデルを訓練していた。
そこで我々は,組立衣料を必要とせず,組立衣料を合成する,スタイル・テクスチャ誘導型生成ネットワーク(ST-Net)を新たに導入した。
論文 参考訳（メタデータ） (2025-01-23T05:46:08Z) - Learning Diverse Fashion Collocation by Neural Graph Filtering [78.9188246136867]
本稿では,グラフニューラルネットワークを用いて,フレキシブルなファッションアイテムセットをモデル化する新しいファッションコロケーションフレームワークであるNeural Graph Filteringを提案する。
エッジベクトルに対称演算を適用することにより、このフレームワークは様々な入力/出力を許容し、それらの順序に不変である。
提案手法を,Polyvoreデータセット,Polyvore-Dデータセット,Amazon Fashionデータセットの3つの一般的なベンチマークで評価した。
論文 参考訳（メタデータ） (2020-03-11T16:17:08Z)
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。