論文の概要: ShoeFit: A New Dataset and Dual-image-stream DiT Framework for Virtual Footwear Try-On

• arxiv url: http://arxiv.org/abs/2610.18325v1
• Date: Tue, 13 Oct 2026 13:03:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.616211
• Title: ShoeFit: A New Dataset and Dual-image-stream DiT Framework for Virtual Footwear Try-On
• Title（参考訳）: ShoeFit:バーチャルフットウェア試着のための新しいデータセットとデュアルイメージストリームDiTフレームワーク
• Abstract要約: MVShoesは7305個の注釈付き画像三脚からなる多視点靴試着データセットである。 本稿では,2重ストリームDITアーキテクチャShoeFitを提案する。 本手法は実世界の製品シューズに挑戦する際のレンダリングの忠実さと堅牢性を大幅に改善する。
• 参考スコア（独自算出の注目度）: 42.13067379418292
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Virtual footwear try-on (VFTON), a critical yet underexplored area in virtual try-on (VTON), aims to synthesize faithful try-on results given diverse footwear and model images while maintaining 3D consistency and texture authenticity. Unlike conventional garment-focused VTON methods, VFTON presents unique challenges due to (1) Data Scarcity, which arises from the difficulty of perfectly matching product shoes with models wearing the identical ones, (2) Viewpoint Misalignment, where the target foot pose and source shoe views are always misaligned, leading to incomplete texture information and detail distortion, and (3) Background-induced Color Distortion, where complex material of footwear interacts with environmental lighting, causing unintended color contamination. To address these challenges, we introduce MVShoes, a multi-view shoe try-on dataset consisting of 7305 well-annotated image triplets, covering diverse footwear categories and challenging try-on scenarios. Furthermore, we propose a dual-stream DiT architecture, ShoeFit, designed to mitigate viewpoint misalignment through Multi-View Conditioning with 3D Rotary Position Embedding, and alleviate background-induced distortion using the LayeredRefAttention which leverages background features to modulate footwear latents. The proposed framework effectively decouples shoe appearance from environmental interferences while preserving high-quality texture detail through decoupled denoising and conditioning branches. Extensive quantitative and qualitative experiments demonstrate that our method substantially improves rendering fidelity and robustness under challenging real-world product shoes, establishing a new benchmark in high-fidelity footwear try-on synthesis.
• Abstract（参考訳）: VFTON(Virtual footwear try-on)は、仮想トライオン(VTON)において重要で未探索の領域であり、3次元の一貫性とテクスチャの信頼性を維持しつつ、多様な履物とモデル画像が与えられた忠実な試着結果を合成することを目的としている。 従来の衣服中心のVTON法とは異なり,(1)製品靴と同一の靴を装着するモデルとの完全整合が難しいこと,(2)ターゲットの足のポーズやソースの靴のビューが常に不整合である点の相違,(3)足の複雑な素材が環境光と相互作用し,意図しない色汚染を引き起こす背景誘発色歪みなど,VFTONは独特の課題を呈している。 これらの課題に対処するため、MVShoesは7305の注釈付き画像三脚からなるマルチビュー靴試着データセットで、多様な履物カテゴリをカバーし、試着シナリオに挑戦する。 さらに,3次元ロータリー位置埋め込みを用いたマルチビューコンディショニングによる視点不整合を緩和し,背景の歪みを緩和するShoeFitを提案する。 提案手法は, 靴の外観を環境干渉から効果的に切り離すとともに, 脱着・調合枝を通じて高品質なテクスチャディテールを保ちながら, 靴の外観を効果的に分離する。 広汎な定量的および定性的実験により,本手法は現実の製品シューズに挑戦する際の忠実さと頑健さを著しく改善し,高忠実度履物試着における新たなベンチマークを確立した。

関連論文リスト

• What Matters in Virtual Try-Off? Dual-UNet Diffusion Model For Garment Reconstruction [43.60751546139023]
  我々は,VTONと一般潜在拡散モデルから,様々な拡散に基づく戦略を研究・適応する。 我々のフレームワークは、主要な指標である DisTS に対して 9.5% の低下で最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-04-09T19:09:27Z)
• Voost: A Unified and Scalable Diffusion Transformer for Bidirectional Virtual Try-On and Try-Off [7.792838907882765]
  仮想的な試行と試行を単一の拡散変換器で共同で学習する統合フレームワークであるVoostを提案する。 Voostは、試行錯誤ベンチマークと試行錯誤ベンチマークの両方で最先端の結果を達成し、アライメント精度、視覚的忠実度、一般化における強いベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-06T19:10:58Z)
• DS-VTON: An Enhanced Dual-Scale Coarse-to-Fine Framework for Virtual Try-On [33.05238077456732]
  仮想試行のための拡張デュアルスケール粗大化フレームワークDS-VTONを提案する。 DS-VTONは2つの段階から構成される: 第一は、衣服と身体の間の意味的対応を捉えるために、低解像度の試行結果を生成する。 第2段階では、混合精製拡散過程は、スケール間の残留物を精製することによって高分解能出力を再構成する。
  論文  参考訳（メタデータ） (2025-06-01T08:52:57Z)
• Inverse Virtual Try-On: Generating Multi-Category Product-Style Images from Clothed Individuals [76.96387718150542]
  テキスト強化Multi-category Virtual Try-Off(TEMU-VTOFF)を提案する。 私たちのアーキテクチャは、画像、テキスト、マスクなどの複数のモードから衣料情報を受け取り、複数のカテゴリで機能するように設計されています。 VITON-HDおよびDress Codeデータセットの実験では、TEMU-VTOFFがVTOFFタスクに新たな最先端を設定していることが示されている。
  論文  参考訳（メタデータ） (2025-05-27T11:47:51Z)
• HF-VTON: High-Fidelity Virtual Try-On via Consistent Geometric and Semantic Alignment [22.960492450413497]
  HF-VTONは,多種多様なポーズにおける高忠実度仮想トライオン性能を保証する新しいフレームワークである。 HF-VTONは3つの主要なモジュールで構成されている: 外観保存型ワープアライメントモジュール、セマンティック表現モジュール、およびマルチモーダル事前誘導型外観生成モジュール。 実験の結果,HF-VTONはVITON-HDとSAMP-VTONSの両方で最先端の手法より優れていた。
  論文  参考訳（メタデータ） (2025-05-26T07:55:49Z)
• 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)
• AnyFit: Controllable Virtual Try-on for Any Combination of Attire Across Any Scenario [50.62711489896909]
  AnyFitは、高解像度のベンチマークと実世界のデータのベースラインを、大きなギャップで上回っている。 AnyFitの高忠実度バーチャル試作品における印象的なパフォーマンスは、あらゆるイメージから見ても、ファッションコミュニティにおける将来の研究の新たな道を切り開くものです。
  論文  参考訳（メタデータ） (2024-05-28T13:33:08Z)
• WarpDiffusion: Efficient Diffusion Model for High-Fidelity Virtual Try-on [81.15988741258683]
  画像ベースの仮想トライオン(VITON)は、ホップ内の衣服イメージを対象人物に転送することを目的としている。 現在の方法では、衣服と肌の境界付近の合成品質や、ねじれた衣服のしわや影のような現実的な効果を見落としていることが多い。 本稿では,新しい情報的・局所的な特徴的注意機構を通じてワーピングと拡散に基づくパラダイムを橋渡しするワープ拡散を提案する。
  論文  参考訳（メタデータ） (2023-12-06T18:34:32Z)
• MoDA: Modeling Deformable 3D Objects from Casual Videos [84.29654142118018]
  神経二元四元系ブレンドスキンニング(NeuDBS)を提案し,スキンを折り畳むことなく3次元点変形を実現する。 異なるフレーム間で2Dピクセルを登録する試みにおいて、標準空間内の3D点を符号化する標準特徴埋め込みの対応性を確立する。 本手法は,ヒトと動物の3Dモデルを,最先端の手法よりも質的,定量的な性能で再構築することができる。
  論文  参考訳（メタデータ） (2023-04-17T13:49:04Z)

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。