美国购物者可通过上传自拍照，使用Nano Banana的虚拟试衣工具生成全身数字形象，便于试穿衣服。

在2025年谷歌I/O大会上，谷歌展示了Gemini 2.5模型及其AI模式，强调智能和个性化产品的进步，并介绍了提升用户体验和开发者能力的新工具，如Flow和虚拟试衣功能。

谷歌推出虚拟试衣功能，用户可通过四个简单步骤使用自己的照片试穿衣物：加入“试穿”实验、点击“试穿”图标、上传全身照片，最后保存或分享试穿效果。

港科广团队提出的MultiGO方案通过分层建模技术，将人体分解为不同精度层级，逐步细化，成功生成高保真3D模型。该方法解决了传统单目图像重建的深度歧义问题，显著提升了细节捕捉能力，已入选CVPR 2025，适用于虚拟试衣和游戏角色生成等领域。

该研究提出了一种新颖的单网络方法MNVTON，旨在解决虚拟试衣中细节保留不足的问题，从而提升图像和视频的生成质量。

本文提出了一种基于交叉注意力的深度学习模型，旨在提升人物图像合成的控制能力和精确性。该模型通过自我关注编码源外观，利用交叉注意力计算源语义风格与目标姿势的相关性，实现颜色和纹理的转移，并通过目标分割映射确保图像清晰度。该方法在姿势传输和虚拟试衣场景中表现优异。

本文介绍了一种新颖的面向虚拟试衣的模型FLDM-VTON，通过改进潜在扩散过程和提供衣物先验和衣物忠实监督，提高了模型性能。实验证明FLDM-VTON能够生成具有忠实衣物细节的照片级别的试衣图像。

StableGarment是一个统一框架，用于解决以服装为中心的生成任务，包括文本到图像、可控的文本到图像、风格化的文本到图像和鲁棒的虚拟试衣。通过开发一个具有加性自注意力(ASA)层的服装编码器和专用的试衣ControlNet，以及生成高质量合成数据的新数据引擎，我们的方法在虚拟试衣方面达到了最先进的结果，并在各种以服装为中心的图像生成方面展示了高灵活性和广泛的潜在应用。

中山大学和Pixocial联合发布了CatVTON，一种轻量化模型架构，实现虚拟试衣功能。该模型简洁高效，只需VAE+UNet两个网络模块，参数量小。通过解锁训练，发现Self Attention是关键模块。CatVTON实现了SOTA的试穿效果，降低了模型的训练和推理计算需求。

本文介绍了一种新颖的面向虚拟试衣的模型FLDM-VTON，通过改进传统的潜在扩散过程，提供了忠实的衣物先验和一致的衣物忠实监督，进一步提高了模型的性能。实验证明，FLDM-VTON优于基线方法，能够生成具有忠实衣物细节的照片级别的试衣图像。

研究人员通过引入基于图的变形技术和潜在扩散模型，开发了一种虚拟试衣方法，考虑了纹理保护和整体逼真度的遮挡感知变形约束。在测试中，该方法在服装变形、纹理保留和整体逼真度方面取得了显著改进。

MMTryon是一个多模态多参考虚拟试衣框架，通过引入新颖的多模态和多参考注意机制解决多个试穿物品和定制穿着风格的问题。它使用无解析的服装编码器和新颖的可扩展数据生成流水线来消除对分割的依赖。实验证明了MMTryon在定性和定量方面相对于现有技术的卓越表现，为时尚界探索多物品和可控风格虚拟试衣场景打开新的研究方向。

StableGarment是一个解决服装生成任务的统一框架，包括文本到图像、可控的文本到图像、风格化的文本到图像和鲁棒的虚拟试衣。该方法在虚拟试衣方面达到了最先进的结果，并展示了高灵活性和广泛的潜在应用。

StableGarment是一个统一框架，用于解决以服装为中心的生成任务，包括文本到图像、可控的文本到图像、风格化的文本到图像和鲁棒的虚拟试衣。该方法通过开发服装编码器和试衣ControlNet，以及生成高质量合成数据的新数据引擎，在虚拟试衣方面达到了最先进的结果，并展示了高灵活性和广泛的潜在应用。

StableGarment是一个解决服装生成任务的统一框架，包括文本到图像、可控的文本到图像、风格化的文本到图像和鲁棒的虚拟试衣。该方法在虚拟试衣方面达到了最先进的结果，并展示了高灵活性和广泛的潜在应用。