两张图丢进去一次拿回四张试穿候选用 OOTDiffusion 做虚拟试穿【免费下载链接】OOTDiffusion[AAAI 2025] Official implementation of OOTDiffusion: Outfitting Fusion based Latent Diffusion for Controllable Virtual Try-on项目地址: https://gitcode.com/GitHub_Trending/oo/OOTDiffusion打开 OOTDiffusion 自带的 Gradio 界面左边放一张模特图右边放一张服装平铺图点下 Run几轮采样后右侧画廊里就出现四张虚拟试穿候选。这是 Xiao-i Research 出品、被 AAAI 2025 接收的潜扩散虚拟试穿模型模特不用换只换服装图人保持原样。想预览上身效果、想批量出试穿图都直接能用。它能替你做这几件事功能场景最基础的是半身上装试穿。你只需要两张图模特照和你想换的上装平铺照脚本会把它们统一缩放到 768×1024。模特可以用真人照也可以用仓库自带的示例图。跑起来后它先对模特做 OpenPose 姿态估计和 18 类人体解析自动圈出上装位置并生成遮罩不用自己抠图或画掩膜。服装图再送入潜扩散模型出来的就是四张半身试穿候选原姿势、脸和背景都保留只重画上装区域。这套 hd 权重在 VITON-HD 数据集上训练只支持上装喂裤子或裙子进去会直接报错拦下来。想换裤子或连衣裙就换全身那套。全身模型在 Dress Code 数据集上训练支持上装、下装、连衣裙三个类别。输入还是两张图加上在界面里选一个类别类别一定要和真实服装对上否则遮罩会跑偏。流程同样是解析和姿态先定位区域再由扩散生成补全细节。因为模特是全身的下装和连衣裙的试穿效果会更完整全身那套默认同样出四张候选。出一版不满意还有参数可调。一次默认跑出四张候选采样步数默认 20引导系数默认 2.0。在 OOTDiffusion 的虚拟试穿 Gradio 界面上候选数可以在 1 到 4 之间调步数在 20 到 40 之间调引导系数在 1.0 到 5.0 之间调也可以固定种子复现同一张结果。命令行版会把产物存进images_output目录文件名按out_hd_0到out_hd_3排开掩膜mask.jpg也一起存好方便回头检查。装起来 连上模型集成配置环境只有一套 conda 环境加四套权重官方只在 Ubuntu 22.04 上测过需要 NVIDIA CUDA 显卡。安装与启动git clone https://gitcode.com/GitHub_Trending/oo/OOTDiffusion建一个 Python 3.10 的 conda 环境装 torch 2.0.1 和 torchvision 0.15.2pip install -r requirements.txt网页版跑python run/gradio_ootd.py监听 7865 端口会把两套模型分别挂到两块显卡上只有一块卡就用命令行版python run/run_ootd.py --model_path 模特图 --cloth_path 服装图接入你的模型虚拟试穿预训练权重下到 checkpoints 目录ootd试穿主模型含半身 hd 和全身 dc 两套权重humanparsing人体解析权重openpose姿态估计权重clip-vit-large-patch14CLIP 视觉编码器权重放哪些的完整清单见 checkpoints/README.txt。下好后可以先拿仓库run/examples里的示例模特图和服装图跑一遍验证环境是否就绪。用起来什么感觉轻量实证算下来它的价值在自动化不写一行代码、不手动抠遮罩一次运行自动完成 18 类人体解析和 OpenPose 姿态估计再输出四张 768×1024 的候选。比起手动抠服装、手动画遮罩、再拼合的做法这里最费工的两步都自动了。要是效果不对先打开images_output里存的mask.jpg看遮罩圈得准不准它正是扩散模型拿到的直接输入。想复现某一张结果固定种子就行想快速看效果把候选数降到 1 再点运行。OOTDiffusion 是一个把解析、姿态、遮罩这些预处理都自动做好的虚拟试穿工具你只管丢两张图、拿回候选。去项目里打开run/run_ootd.py三十秒内就能把model_path、cloth_path、scale、sample这几个参数看一遍知道各管什么。【免费下载链接】OOTDiffusion[AAAI 2025] Official implementation of OOTDiffusion: Outfitting Fusion based Latent Diffusion for Controllable Virtual Try-on项目地址: https://gitcode.com/GitHub_Trending/oo/OOTDiffusion创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
