只需两张图像，不到30秒，就能让马斯克穿牛仔走红毯~

或者让寡姐带货国风Polo衫~

就是二次元换装也不在话下。

来自中山大学、Pixocial等机构联合发布轻量化模型架构CatVTON。他们是以Stable Diffusion v1.5 inpainitng为基础模型。

来看看更多效果。

用扩散模型进行虚拟试衣

CatVTON可以实现传统平铺服装图到人物的换装。

不管是上衣、裤子、裙子，还是套装，各种不同品类服装都可以。

其形状和纹理都能保持较高的一致性。

另外，CatVTON 还可以实现人物A到人物B的换装。

无需显式地指定类别，根据 Mask 的不同即可完成目标服装的试穿，支持单独的上衣、裤子、裙子或者全身多件服装同时更换 。

既然如此，那又是如何实现的呢？

轻量化模型架构

CatVTON 在功能上丰富多样， 但其模型架构却十分简洁高效：

• 2个网络模块（VAE+UNet）

• 899.06M总参数量

• < 8G推理显存（输出图像 1024×768 ）

轻量化的架构来源于 CatVTON 对现有方法模块冗余的观察：

• 基于Warping的方法依靠几何匹配对服装进行形变再利用试穿模块融合，结果生硬不自然；

• 基于扩散模型的方法引入ReferenceNet，加重了训练和推理的负担；

具体而言，CatVTON 通过在输入上把人物、服装在通道维度拼接（Concatenate），在结构上摆脱了对额外的 ReferenceNet 的依赖，跳过了对图像虚拟试衣来说没有显著帮助的文本交叉注意力，同时也不需要任何额外的图像编码器来辅助生成。

下表详细地比较了不同方法与 CatVTON 的模块数量、参数量、可训练参数量、显存占用、推理条件。

在网络模块上，CatVTON 只需要 VAE+UNet，无需任何额外的编码器；在模型总参数量上，CatVTON 比其他方法至少缩减了44% ；在显存占用上，CatVTON 也只有其他方法的一半甚至更低，体现了 CatVTON 在模型架构轻量化上的优势。

△模型高效性相关项详细比较

在训练上，CatVTON 探究了在将预训练扩散模型迁移到 TryOn 任务时去噪 UNet 中真正起作用的模块。

首先，去噪 UNet 在结构上是由不同特征尺度的ResNet 和 Transformer Blocks 堆叠而成（如下图）。其中 ResNet 是卷积网络，具有空间不变性，适用于特征的提取，并不负责跨空间的特征交互，这一部分在扩散模型进行大规模预训练时，已经具备了足够的特征编码能力，因此与迁移到 TryOn任务关联性不强。

Transformer Block 内部结构又可以细化为三个部分：Self Attention, Cross Attention 和 FFN。其中Cross Attention在 T2I 任务中用于与文本信息交互，FFN 起到特征映射的作用，因此与服装、人物特征交互最相关的便是 Self Attention。

理论上确定了需要训练的模块后，在实验上，CatVTON 文中还进行了消融，发现对 UNet、Transformer Block 和 Self Attention 分别进行解锁训练，其可视化结果并没有明显的差异，同时在指标上也十分接近，验证了“Self Attention是将预训练扩散模型迁移到 TryOn 任务的关键模块”的假设。

最后通过理论和实验锁定的Self Attention 部分，只有49.57M 参数，仅占总参数量 5.71% 的部分，对其进行微调，就可以实现逼真的试穿效果，在上一节表格中可以看到，相较于其他方法，CatVTON 将可训练参数量减少了10 倍以上。

最后总结，CatVTON重新思考和设计了基于扩散模型的虚拟试穿框架，将多任务、多品类的虚拟试衣集成到同一模型中，以轻量化的框架和参数高效的训练策略实现了SOTA的试穿效果，降低了模型的训练、推理计算需求，更有利于虚拟试衣模型走向落地与应用。

项目主页:

https://zheng-chong.github.io/CatVTON

论文地址:

https://arxiv.org/abs/2407.15886

文章来自于微信公众号“量子位”，作者 “种政”