2023/12/25 15:20

无限新衣服零元购，阿里Outfit Anyone实现真人百变换装

不实际试穿，就能尝试各种服饰，虚拟试衣技术让「QQ秀」升级成了真人版，为时尚行业打开了新世界的大门。

然而，现有的虚拟试衣方法在逼真性和细节上的一致性方面还存在挑战。虽然扩散模型在创造高品质和真实感图像方面表现出众，但在虚拟试衣等特定场景中，它们在维持控制力和一致性方面还有待提高。

Outfit Anyone 利用了一种创新的双流条件扩散模型，有效地解决了这些问题，能够精确地处理服装的变形效果，实现更加逼真的试穿体验。Outfit Anyone 最大的特点是其极强的适应性和广泛的应用范围，不仅能调整以适应不同的姿势和体形，无论是动画形象还是真人，都可以一键换装。现已开放试玩。

GitHub: https://github.com/HumanAIGC/OutfitAnyone

Project: https://humanaigc.github.io/outfit-anyone/

Demo 体验 (V0.9)：

Modelscope: https://modelscope.cn/studios/DAMOXR/OutfitAnyone/summary

Huggingface Demo: https://humanaigc.github.io/outfit-anyone/

主要方法：条件扩散网络

虚拟试衣任务本质是一个条件生成的任务，也就是基于给定一张服饰图片作为条件输入，控制生成服饰在人身上的试衣图片。当前的 diffusion model 在生成的可控性方面做了很多工作，比如基于 tuning-based 的方法，如 lora, dreambooth 等，可以实现通过针对某一个或几个概念的样本图片进行针对性训练，学习对应的某个 concept, 在生成的过程中可以实现对应 concept 或者物体的生成。然而这种方式以来 finetuning，计算和时间成本高，且难以扩展到多个物体的同时生成。

另外一类控制生成的方法是以 controlnet 为代表，其主要原理是通过 zero-conv 训练一个插件的网络，可以实现利用 mask，canny edge, depth 等多种信号控制最终生成图片的 layout。这种方式的最大的弊端在于控制信号与目标图像在空间上是 align 的，但服饰与控制信号和目标图像在空间分布上有较大的差异，导致无法直接使用，从而限制了其应用的拓展范围。

因此，作者提出了一种新的支持试衣功能的条件生成网络，实现服饰的形变，光照的变化，服饰新视角变化情况下的生成，同时能够保持服饰的纹理，版型，细节的一致性。

相比 lora，dreambooth 等方法的好处是，不再需要针对每个物体进行 finetuning，具有很强的泛化性，从而可以实现 zero-shot 一键试衣。

此外，为了提升试衣结果的真实性，作者提出了 refiner 网络，对服饰的细节进行提升，从而能够提升服饰的材质、色彩，使其更接近真实的试衣效果。Outfit Anyone 也支持各种复杂的服饰，多样的姿势，以及适配多种体型，使其能够满足用户多样化的试衣需求。

框架设计

近些年，虽然模型仍层出不穷，但模型设计逐渐走向同质化。主要可以分为 3 个部分：

（1）输入信号（图像 / 视频 / 文本 /timestep）转化为 embedding 参入到后续网络计算中；

（2）基础计算单元：以 Convolution Block 和 Transformer Block 构成；

（3）信息交互单元则根据 embedding 之间的不同，可以通过 spatially-aligned operation 和 non-spatially aligned operation 的多种方式实现融合。

在框架设计上，研究团队遵循简洁有效的原则，按以上的基础思路，首先确定了需要何种输入信号，并根据信号的差异化采用不同的特征交互方式。

在试衣场景中，需要 3 个控制信号：

模特控制：模型提取模特 id，姿态等控制信号，实现模特的控制。
服饰控制：服饰的平铺图、服饰的上身图、饰品（帽子、包、鞋子等）。
图像全局控制：文本描述。

Outfit Anyone 采用了以下的控制信号植入形式：

模特控制：利用 spatially aligned operation ，本身作为模特图抽取特征内容，与目标图像在空间对齐。
服饰控制：本身与模特图空间不能对齐，需要进行形变操作，再通过非线性的操作进行特征融合。
背景、质量等控制：利用 attention 机制实现语义层次特征与图像特征的融合。

目前，基于 Diffusion Model 的生成模型强调生成内容在语义层面的对齐性，所以常采用以 CLIP 为代表的图像语义抽取模型进行特征提取，但这对于试衣模型需要保留所输入服饰的纹理细节矛盾。因此，现有基于 CLIP 特征的试衣模型难以准确完整的还原服饰本身的特性，采用对服饰纹理细节可还原 / 生成的网络为佳。

而针对于模特相关的控制信号，在训练时，本身是输入模特图的一种抽象信号，可作为输入模特图的一个特征通道，在同一网络中，通过 Channel 维度进行信息整合，并不需要遵循 ControlNet 的设计，额外增加网络进行处理，从而一定程度简化模型结构。