FashionComposer：组合化时尚图像生成

我们提出了 FashionComposer，用于组合化时尚图像生成。与以往方法不同，FashionComposer 具有高度灵活性。它接收多模态输入（即文本提示、参数化人体模型、服装图像和面部图像），并支持个性化人物的外观、姿态和体型，以及一次性分配多件服装。为了实现这一点，我们首先开发了一个能够处理多种输入模态的通用框架。我们构建了规模化的训练数据，以增强模型鲁棒的组合能力。为了无缝地容纳多个参考图像（服装和面部），我们将这些参考对象作为“资产库”组织在一张图像中，并采用参考 UNet 来提取外观特征。为了将外观特征注入生成结果中的正确像素，我们提出了主体绑定注意力。它将来自不同“资产”的外观特征与相应的文本特征进行绑定。通过这种方式，模型能够根据语义理解每个资产，从而支持任意数量和类型的参考图像。作为一个综合解决方案，FashionComposer 还支持许多其他应用，如人物相册生成、多样化的虚拟试穿任务等。