論文の概要: FlexTry-On: A Time-Efficient Framework for Multi-Scenario Virtual Try-on

• arxiv url: http://arxiv.org/abs/2610.39646v1
• Date: Thu, 29 Oct 2026 09:03:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:10:45.855123
• Title: FlexTry-On: A Time-Efficient Framework for Multi-Scenario Virtual Try-on
• Title（参考訳）: FlexTry-On: マルチシナリオバーチャルトライオンのための時間効率の良いフレームワーク
• Abstract要約: 我々はFlexTry-Onについて紹介する。FlexTry-Onは多種多様な仮想試行シナリオのための統合的で時間効率の拡散ベースのフレームワークである。 実験では、布と人の両方のベンチマークで競争性能を示す。 同じフレームワークは、別のアーキテクチャやシナリオ固有の処理パイプラインを必要とせずに、目に見えないクロスドメインシナリオに直接適用することができる。
• 参考スコア（独自算出の注目度）: 3.470982574322783
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Virtual try-on has achieved remarkable progress in recent years, yet most existing methods are designed for a specific scenario, such as cloth-to-person or person-to-person try-on, and often require separate conditioning strategies and processing pipelines for different settings. We present FlexTry-On, a unified and time-efficient diffusion-based framework for diverse virtual try-on scenarios, including cloth-to-person, person-to-person, cross-domain, and in-the-wild settings. FlexTry-On adopts a common conditioning formulation, where a text-aware condition extraction strategy converts heterogeneous garment sources into a unified representation, and a dual-conditioning diffusion transformer jointly models garment appearance and person identity. Extensive experiments demonstrate competitive performance on both cloth-to-person and person-to-person benchmarks while maintaining fast inference. Moreover, the same framework can be directly applied to unseen cross-domain scenarios without requiring separate architectures or scenario-specific processing pipelines. These results highlight the potential of unified and efficient virtual try-on frameworks as a practical step toward more flexible and widely applicable virtual try-on systems.
• Abstract（参考訳）: 近年、仮想トライオンは目覚ましい進歩を遂げているが、既存のほとんどのメソッドは布から人への試行や人への試行のような特定のシナリオのために設計されており、異なる設定のために異なる条件付け戦略と処理パイプラインを必要とすることが多い。 我々はFlexTry-Onを紹介した。FlexTry-Onは、布地対人、人対人、クロスドメイン、地中設定など、多様な仮想試行シナリオのための統一的で時間効率のよい拡散ベースのフレームワークである。 FlexTry-Onは共通条件定式化を採用し、テキスト認識条件抽出戦略は異種衣服のソースを統一表現に変換し、二重条件拡散変換器は衣服の外観と人物の同一性を共同でモデル化する。 大規模な実験は、高速な推論を維持しながら、布と人の両方のベンチマークで競争性能を示す。 さらに、同じフレームワークを別のアーキテクチャやシナリオ固有の処理パイプラインを必要とせずに、目に見えないクロスドメインシナリオに直接適用することができる。 これらの結果は、より柔軟で広く適用可能な仮想試行システムに向けた実践的なステップとして、統一的で効率的な仮想試行フレームワークの可能性を強調している。

関連論文リスト

• ModaFlow: Modality-Aware Flow Matching for High-Fidelity Virtual Try-On [48.40260700745353]
  高忠実度仮想試行のためのモダフロー(ModaFlow)を提案する。 そこで本研究では,ModaFlowが定性評価と定量的評価の両面で最先端の結果を達成することを示す。
  論文  参考訳（メタデータ） (2026-06-26T06:59:50Z)
• OmniVTON++: Training-Free Universal Virtual Try-On with Principal Pose Guidance [85.23143742905695]
  画像ベースの仮想トライオン(VTON)は、人間のポーズと身体の制約下での衣服の再レンダリングを通じて、現実的な人物画像の合成を懸念する。 OmniVTON++は、トレーニング不要なVTONフレームワークで、普遍的な適用性のために設計されている。
  論文  参考訳（メタデータ） (2026-02-16T08:27:43Z)
• 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)
• ExPaMoE: An Expandable Parallel Mixture of Experts for Continual Test-Time Adaptation [19.751562859766565]
  継続的テスト時間適応(CTTA)は、進化する分散シフトの下で、未ラベルデータのストリームにオンザフライで適応できるようにすることを目的としている。 本稿では,Expandable Parallel Mixture-of-Expertsアーキテクチャに基づく新しいフレームワークであるExPaMoEを提案する。
  論文  参考訳（メタデータ） (2025-07-01T07:17:33Z)
• Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [73.75271615101754]
  本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。 Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。 Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
  論文  参考訳（メタデータ） (2025-03-25T15:19:56Z)
• CrossVTON: Mimicking the Logic Reasoning on Cross-category Virtual Try-on guided by Tri-zone Priors [63.95051258676488]
  CrossVTONは、クロスカテゴリ仮想試行のための堅牢なフィッティングイメージを生成するためのフレームワークである。 クロスカテゴリ試行に必要な複雑な推論を構造化フレームワークに切り離す。 定性評価と定量的評価の両方において、既存のベースラインを超え、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-02-20T09:05:35Z)
• 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)
• A Flexible Selection Scheme for Minimum-Effort Transfer Learning [27.920304852537534]
  ファインチューニングは、トレーニング済みの畳み込みネットワークに含まれる知識を活用して、新しい視覚認識タスクを実現する方法として人気がある。 フレキシブルチューニング(flex-tuning)と呼ばれる,ネットワークの個々のユニットをチューニング可能な,新たなファインチューニング方式を導入する。 微調整された個々のユニットは、その単純さにもかかわらず、適応手法として非常に良い結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-08-27T08:57:30Z)

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。