逆向虚拟试穿：从着装人物生成多类别产品风格图像

虚拟试穿（VTON）已被广泛探索用于将服装渲染到人物图像上，而其逆任务——虚拟脱衣（VTOFF）——却在很大程度上被忽视。VTOFF 旨在直接从穿着服装的人物照片中恢复标准化的服装产品图像。这种能力对于电子商务平台、大规模数据集整理以及基础模型的训练具有重要的实用价值。与必须处理各种姿态和风格的 VTON 不同，VTOFF 自然受益于以平面服装图像形式呈现的一致输出格式。然而，现有方法面临两个主要限制：（i）仅依赖单张照片的视觉线索通常会导致歧义，以及（ii）生成的图像通常会出现精细细节丢失，限制了其在现实世界中的适用性。为了应对这些挑战，我们引入了 TEMU-VTOFF，一个用于 VTOFF 的文本增强多类别框架。我们的架构建立在双 DiT 主干之上，配备了多模态注意力机制，联合利用图像、文本和掩码信息来解决视觉歧义，并实现跨服装类别的稳健特征学习。为了显式缓解细节退化，我们进一步设计了一个对齐模块，用于细化服装结构和纹理，确保高质量的输出。在 VITON-HD 和 Dress Code 上的大量实验表明，TEMU-VTOFF 达到了新的最先进性能，显著提高了视觉真实感以及与目标服装的一致性。