GUIDA AI visiva

Prova virtuale con modelli di diffusione

La prova virtuale basata sull'intelligenza artificiale scatta una foto di una persona e una foto di un indumento e genera una nuova immagine di quella persona che indossa l'indumento, mantenendo la posa, il corpo e il viso mentre trasferisce la forma, la trama e i dettagli dell'abito.

Ascolta questa guidaNarrato dall'IA · ~3 min

In questa pagina4 minuti di lettura
  1. Panoramica
  2. Immersione profonda
  3. Implementazione nel mondo reale
  4. Il futuro della prova virtuale con i modelli di diffusione
  5. Metterlo in pratica
  6. Continua a esplorare
  7. Domande frequenti

Panoramica

I sistemi moderni utilizzano modelli di diffusione guidati dalla posa della persona e dal profilo del corpo invece di incollare semplicemente l'indumento sopra. È importante perché cambia il modo in cui le persone acquistano online, ma mostra come potrebbero apparire i vestiti, non se saranno effettivamente adatti.

Immersione profonda

Virtual try-on has two jobs that pull against each other: keep the person unchanged (face, hair, skin tone, body shape, pose) and faithfully reproduce the garment (cut, color, print, logo, fabric texture). Early approaches such as VITON (2018) and CP-VTON worked in two stages. First they warped the flat garment image to match the person's pose, often using a thin-plate spline or learned flow field, then a second network blended the warped garment into the photo. These methods struggled with large pose changes, occlusions such as crossed arms, and complex prints, because a 2D warp cannot invent parts of the garment that were never visible. Diffusion models changed the second stage. Instead of blending, the model regenerates the clothing region from noise while being conditioned on the garment image, the person's pose keypoints, a body-parsing map and a masked version of the original photo. Google's TryOnDiffusion (2023) used two parallel networks that exchange information through cross-attention, letting the garment be implicitly warped inside the model rather than by a separate step; Google used this family of techniques for a try-on feature in its shopping results, shown on real models of different sizes. Open research models such as StableVITON, OOTDiffusion and IDM-VTON adapted Stable Diffusion for the task. The common misconception is that try-on tells you your size. It does not. The model has no measurements of the garment's stretch or your body; it produces a plausible image of how clothes of that style tend to drape. Failure modes include tops that look identically fitted on every body, lost or smeared text and logos, altered skin tone or body shape, invented hands and arms, and weaker results for body types, skin tones, clothing styles or poses that are rare in training data.

Implementazione nel mondo reale

Un acquirente online sceglie una modella che corrisponde approssimativamente al suo tipo di corporatura e vede una camicetta realizzata su quella persona in diverse pose prima di decidere se acquistarla.

Un rivenditore di moda fotografa ogni nuovo capo una volta su una superficie piana e utilizza la generazione di prova per mostrarlo su diversi modelli del catalogo invece di prenotare un nuovo servizio fotografico.

Un acquirente carica la propria foto a figura intera su un'app di prova e vede una giacca su di sé, notando che la lunghezza della manica è indovinata anziché misurata.

Un gruppo di ricerca valuta un modello di prova su un set di prova che copre un'ampia gamma di dimensioni corporee e tonalità della pelle e scopre che loghi e strisce si distorcono maggiormente su corpi più grandi e pose insolite.

Il futuro della prova virtuale con i modelli di diffusione

La ricerca si sta muovendo verso prove video, abiti multi-indumento e controllo sugli attributi di vestibilità come oversize o slim. Un passo più difficile e irrisolto è collegare l'immagine alla realtà fisica: combinare tabelle delle taglie, proprietà del tessuto e misurazioni del corpo, possibilmente con modelli 3D del corpo e simulazione del tessuto, in modo che l'anteprima rifletta la vestibilità effettiva piuttosto che un'ipotesi lusinghiera. Se la prova riduca nella pratica i resi dipende da questo collegamento e dalla pubblicazione di valutazioni oneste da parte dei rivenditori. Aspettatevi un'attenzione continua al consenso e alla privacy per le foto caricate dagli utenti e alle prestazioni tra diversi organismi.

Metterlo in pratica

Perché è importante

  • Velocità e scala. L’intelligenza artificiale visiva può automatizzare le attività di ispezione, rilevamento ed etichettatura su larga scala.
  • Scelte di build. I team creativi possono prototipare i concetti più velocemente con meno revisioni manuali.
  • Team e flusso di lavoro. Le operazioni possono utilizzare segnali immagine e video che in precedenza erano difficili da elaborare.

Attenzione

  • I diritti di immagine e il consenso possono diventare rischi legali se la provenienza non è chiara.
  • Le prestazioni del modello possono variare in base all'illuminazione, ai dati demografici e agli ambienti.
  • I falsi positivi possono passare inosservati a meno che non vengano monitorate le soglie di confidenza.

Prossimi passi

  1. Definire i criteri di accettazione per i costi di precisione, richiamo ed errore.
  2. Testare con dati che corrispondono alle reali condizioni di produzione.
  3. Aggiungi la revisione umana per previsioni poco attendibili o ad alto impatto.
  4. Tieni traccia della deriva del modello e riconvalida dopo le modifiche alla fotocamera o al set di dati.

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.

Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.

Mettiti alla prova

Rispondi al quiz di prova virtuale con i modelli di diffusione

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

Che cos'è la prova virtuale con i modelli di diffusione?

La prova virtuale basata sull'intelligenza artificiale scatta una foto di una persona e una foto di un indumento e genera una nuova immagine di quella persona che indossa l'indumento, mantenendo la posa, il corpo e il viso mentre trasferisce la forma, la trama e i dettagli dell'abito. I sistemi moderni utilizzano modelli di diffusione guidati dalla posa della persona e dal profilo del corpo invece di incollare semplicemente l'indumento sopra. È importante perché cambia il modo in cui le persone acquistano online, ma mostra come potrebbero apparire i vestiti, non se saranno effettivamente adatti.

Quali sono i due obiettivi concorrenti che ogni sistema di prova virtuale deve bilanciare?

La prova deve preservare l'identità, la posa e il corpo della persona, trasferendo il taglio, il colore e la stampa del capo. Migliorare uno spesso danneggia l’altro.

Come funzionavano principalmente i primi metodi come VITON e CP-VTON?

I primi sistemi utilizzavano un approccio in due fasi: una deformazione geometrica (come le spline a piastra sottile) seguita da una rete di fusione.

Perché la deformazione 2D ha avuto problemi con le braccia incrociate o con grandi cambiamenti di posa?

Un ordito sposta solo i pixel esistenti, quindi non può creare parti nascoste o occluse del capo.

In un modello di prova di diffusione, cosa fa il modello alla regione dell'abbigliamento?

La prova di diffusione ridipinge l'area dell'abbigliamento mascherato mediante denoising, guidato dalle caratteristiche dell'indumento, dalle informazioni sulla posa e dal resto dell'immagine della persona.

Quale caratteristica di design ha utilizzato TryOnDiffusion di Google per trasferire l'indumento?

TryOnDiffusion ha utilizzato due reti collegate da attenzione incrociata in modo che il capo potesse essere implicitamente deformato all'interno del modello.