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虚拟试衣方法MNVTON，解决了传统双网络架构在细节保留上的不足。通过类别特定的归一化策略，该方法提高了图像和视频的生成质量，优化了计算效率。

本文探讨了基于粒子动力学模型的机器人布料操作技术，提出了高效的学习方法和新型布料回归技术，结合自监督方法生成高质量纹理，提升虚拟试衣效果。研究还介绍了关键点检测器和基于扩散的虚拟试穿流程，提高了纹理迁移的准确性和效率。

基于扩散模型的虚拟试衣技术不断进步，提出了CAT-DM、WarpDiffusion和PLTON等新方法，以提高生成图像的真实感和细节保留。FLDM-VTON通过改进潜在扩散过程，增强了衣物细节的忠实度，实验结果显示其优于现有方法。MV-VTON则通过多视图重建人物着装效果，进一步提升虚拟试衣的质量。

本文介绍了多种时尚图像生成与检索的创新方法，包括设计草稿与真实时装的转化、统一交互服装检索框架、跨模态时尚图像合成和虚拟试衣。这些方法在效率和性能上显著提升，为时尚领域的多模态生成与检索提供了新的研究方向。

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WarpDiffusion、GP-VTON和PGVTON等虚拟试衣技术的进展。这些新框架结合了变形和扩散模型，提升了虚拟试衣的质量和真实感，解决了人体姿势和衣物变形等问题，并在高分辨率基准上表现优越。

本文介绍了多种虚拟试衣技术，包括基于记忆的视频虚拟试衣网络（MV-TON）和多视图虚拟试衣方法（MV-VTON）。这些技术通过姿势对齐和区域替换，实现高分辨率的服装试穿效果。此外，研究提出了个性化虚拟试穿模型（PE-VITON），显著提高了试穿的真实性和效果。

本文介绍了多个3D服装和人体运动数据集，如4DHumanOutfit、CLOTH3D和Deep Fashion3D，旨在推动数字人类处理、虚拟试衣和计算机视觉研究。研究提出的新方法和模型提升了3D服装生成和人体形状恢复的性能，并展示了其在实际应用中的有效性。

本文介绍了一种基于潜在扩散模型的时尚图像生成方法，结合多模态提示（文本、姿势、服装草图），提升了生成图像的质量和一致性。研究提出了TD-GEM和MAGIC等创新框架，增强了服装编辑和图像字幕生成能力。通过改进控制条件和特征提取，CAT-DM网络实现了更真实的虚拟试衣效果，展示了在时尚设计领域的广泛应用潜力。

本文介绍了多种基于文本的3D服装生成与编辑方法，包括WordRobe框架和SewingGPT体系结构，强调高质量纹理合成和虚拟试衣的灵活性。通过多任务学习和自我监督技术，解决了服装与身体之间的碰撞问题，展示了实际生产中的应用潜力。