ART-VITON：面向无伪影虚拟试衣的度量引导潜扩散模型

虚拟试衣（VITON）旨在生成人物穿着目标服装的真实图像，要求在试衣区域精确对齐服装，并在非试衣区域忠实保留人物身份和背景。虽然潜扩散模型（LDM）在对齐和细节合成方面取得了进展，但保留非试衣区域仍然具有挑战性。一种常见的后处理策略是直接用原始内容替换这些区域，但突兀的过渡常常产生边界伪影。为克服此问题，我们将VITON重新表述为一个线性逆问题，并采用轨迹对齐求解器逐步强制执行度量一致性，以减少非试衣区域的突变。然而，现有求解器在生成过程中仍会遭受语义漂移，导致伪影。我们提出ART-VITON，这是一个度量引导的扩散框架，确保度量遵循的同时保持无伪影合成。我们的方法集成了基于残差先验的初始化以缓解训练-推理不匹配，以及结合数据一致性、频率级校正和周期性标准去噪的无伪影度量引导采样。在VITON-HD、DressCode和SHHQ-1.0上的实验表明，ART-VITON有效保留了人物身份和背景，消除了边界伪影，并在视觉保真度和鲁棒性上持续优于最先进的基线方法。