Помощник сценариста▸ 
AI Приложения 
AI Новости Voost: инструмент виртуальной примерки и снятия одежды
小编 ·
Voost: инструмент виртуальной примерки и снятия одежды
Voost — это инструмент виртуальной примерки и виртуального снятия одежды на основе ИИ, предложенный Seungyong Lee и Jeong-gi Kwak. Его ядро — диффузионный трансформер (DiT), который одновременно справляется и с примеркой, и со снятием одежды. Особенность в том, что не нужна отдельная сеть задач, не нужны дополнительные метки, и при этом каждое сочетание одежды и человека обучается двунаправленно — учитывается и эффект примерки, и эффект снятия, благодаря чему точнее понимается взаимосвязь между одеждой и телом: как одежда прилегает к коже, как образуются складки. Кроме того, добавлены две практичные технологии: масштабирование температуры внимания (делает модель стабильнее при разных разрешениях) и самокорректирующаяся выборка (уменьшает ошибки за счёт взаимной проверки примерки и снятия). На практических тестах по примерке и снятию одежды результаты на высшем уровне: хорошо передаются детали одежды (текстуры, складки), соответствие позе тела, и при этом поддерживаются разные типы и материалы одежды, а также различные позы людей.
📚 Функциональные особенности
Двунаправленное обучение для воспроизведения деталей: примерка и снятие одежды изучаются совместно, благодаря двунаправленному контролю лучше понимается взаимодействие одежды и тела — детали вроде складок и текстуры ткани воспроизводятся реалистичнее.
Генерация, близкая к реальности: позволяет показать результат примерки с разных ракурсов — независимо от телосложения, позы (стоя, сидя, присев), одежда на фигуре выглядит ближе к реальности.
Высокая адаптивность, минимум зависимостей: не нужно отдельно настраивать модель под конкретный тип одежды или сценарий, не нужно大量 ручной разметки — подходят обычные фото или снимки с камеры.
📚 Технические принципы
Основной метод: в качестве «мозга» используется диффузионный трансформер (DiT), который через перекрёстное внимание «смешивает» признаки одежды и модель тела, что позволяет точно синтезировать каждую нитку и каждую складку.
Техники оптимизации:
Масштабирование температуры внимания: работает как регулятор «чувствительности», благодаря которому модель стабильно выдаёт результат при разной чёткости или перекрытиях (например, когда рука закрывает часть одежды).
Самокорректирующаяся выборка: примерка и снятие «проверяют» друг друга — например, при примерке оценивается корректность обратной логики снятия, что снижает количество ошибок генерации.
Рабочий процесс: пользователь загружает чёткие фото анфас/профиль или снимает прямо на камеру, система автоматически строит модель человека и «надевает» на неё одежду.
📚 Где можно использовать Voost?
Покупка одежды онлайн: можно не примерять, а сразу посмотреть в приложении, как вещь сидит на фигуре, и избежать ситуаций, когда размер или крой не подходят.
Дизайн одежды: при изменении кроя или создании сочетаний дизайнер сначала виртуально проверяет результат, не прибегая к многократному пошиву образцов.
Социальные сети: использование Voost для «примерки» одежды делает посты с образами интереснее.
Офлайн-магазины: в сочетании с AR-технологиями можно установить виртуальное зеркало для примерки — покупатель просто стоит перед зеркалом и «переодевается», что создаёт wow-эффект.
📚 Как пользоваться Voost? Пошаговая инструкция
Публичная демоверсия на Hugging Face скоро будет выпущена.
Выберите режим примерки или снятия одежды;
Выберите нужный тип одежды (примерка включает верх, низ и комплект);
Загрузите изображение модели (по желанию: создайте маску с помощью графического инструмента);
Загрузите изображение одежды;
Нажмите кнопку, чтобы запустить модель.
📚 Часто задаваемые вопросы
❓: В чём главное преимущество Voost перед другими инструментами примерки?
О: Он использует один диффузионный трансформер для одновременного обучения примерке и снятию одежды, без отдельной сети задач и без дополнительных меток, а также поддерживает двунаправленное обучение с контролем; в сочетании с технологиями масштабирования температуры внимания и самокорректирующейся выборки результат получается стабильнее и реалистичнее.
❓: В каких тестах проверялась эффективность Voost?
О: Тестирование проводилось на популярных наборах данных, таких как VITON-HD и DressCode, а также на реальных фотографиях — и примерка, и снятие одежды показывают лучшие на сегодняшний день результаты: точнее и реалистичнее, чем у StableVITON, IDM-VTON и аналогичных инструментов.
❓: Для чего нужны масштабирование температуры внимания и самокорректирующаяся выборка?
О: Масштабирование температуры обеспечивает стабильность модели при разной чёткости или перекрытиях (например, когда рука закрывает одежду); самокорректирующаяся выборка за счёт взаимной проверки примерки и снятия уменьшает ошибки генерации и делает посадку одежды более естественной.
📚 Github:https://github.com/nxnai/Voost
