英国和印度的购物者可以通过上传照片，虚拟试穿数十亿件服装。这项基于AI的功能提升了在线购物体验，用户只需在Google的服装产品列表中点击“试穿”图标即可开始。

谷歌的试穿技术将扩展至澳大利亚、加拿大和日本，用户可通过上传全身照片，快速查看数十亿件服装和鞋子的试穿效果。

谷歌推出新购物功能，用户可通过上传照片虚拟试穿衣服，并设置价格提醒。秋季将推出AI模式，提供可购物的服装和房间设计灵感。

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。

谷歌推出AI购物模式，提供智能指导和可靠产品数据。用户可在虚拟试衣间体验购物，享受个性化推荐和价格跟踪功能，上传照片虚拟试穿服装，帮助选择合适款式。

本研究提出了一种新颖的虚拟试穿方法TryOffDiff，有效解决了传统方法中的属性转移问题，显著提升了多服装虚拟试穿的效果。

本研究提出了一种方法，解决饰品虚拟试穿中的姿态和尺度变换一致性问题。通过迭代估计佩戴掩码和正则化注意力层，显著提高了几何和外观的保真度，能够处理比例和姿态差异，保持身份特征，实现逼真的视觉效果。

该研究提出了CatV2TON方法，旨在解决虚拟试穿技术在图像和视频中的质量问题。通过时间拼接衣物与人像，该方法在静态和动态场景中表现优异，超越现有技术，展现出实现真实虚拟试穿的潜力。

本研究解决了虚拟试穿任务中缺乏配对训练数据和难以生成完美匹配纹理这两大挑战。我们提出了一种服装提取模型，通过单张穿着者图像生成（人，合成服装）配对，并引入错误感知的修正模型（EARSB），针对局部生成错误进行校正。实验结果表明，合成数据增强了模型的性能，而EARSB显著提高了图像质量，并在用户研究中受到优选。

本研究提出了一种文本可编辑的虚拟试穿任务，利用PromptDresser模型生成详细文本描述，解决了文本提示使用不足的问题，提升了编辑可控性和图像质量。

本研究解决了视频虚拟试穿中存在的时空一致性问题。通过将视频虚拟试穿重新构思为条件视频修补任务，提出了一种结合时间注意层的扩散模型，从而提高了时间一致性。此外，开发了ShiftCaching技术以降低计算开销。实验表明，与现有基准相比，所提方法在视频一致性和推理速度上均表现出色。

本文提出了一种新方法，解决了将任意尺寸服装适配到参考人物的虚拟试穿问题，显著提升了真实感和效果。实验结果表明，该方法优于传统技术。