AI 虚拟试穿：AI 怎么把衣服穿到模特身上并保持褶皱和阴影真实

你打开网购App，滑动着一张模特穿着新款风衣的照片，心里想的却是：这衣服穿我身上什么样？模特身高175，体重90斤，我170，但有肚子。买家秀里的普通人穿得松松垮垮，完全不是模特那种立挺的感觉。于是你幻想：要是AI能像魔镜一样，让我选件衣服就能看到上身效果就好了。

其实这个技术已经存在了多年，名字叫虚拟试穿（Virtual Try-On）。但很多人用过之后都会觉得别扭：衣服变形了，但领口塌了，袖口飞了，褶皱像石头一样硬。为什么这么难？因为AI要做的不是简单的图像合成，而是一个涉及几何变形、纹理映射、光影重绘的难题。

试穿不是贴图：一个问题拆出三个难点

我最早以为虚拟试穿就是把衣服图抠出来，按比例缩放到模特身上。直到我跑了一次VITON算法，看到一件T恤的袖子在人体上扭曲成麻花，才明白这根本不是贴图能解决的。

一件衣服“穿”到人身上，至少要跨过三座山：

几何变形：衣服是平面的，人体是立体的。平铺在桌上的衣服，要“盖”到站姿的人身上，每个像素的坐标都要重新计算。
遮挡关系：手臂要挡在身体前面，衣服要穿过腋下，领口要贴合颈部。这些遮挡在原始衣服图里根本没有。
光影与褶皱：同样的衣服，最皱的地方在肘弯和腰侧。这些褶皱不是图案，是光线打在不同高度的布料上产生的明暗变化。AI必须“无中生有”地生成。

这三个难点，对应着虚拟试穿技术的三条演化路线。

从TPS到GAN：衣服是怎么被“扭”到人身上的

技术上，最早流行过用图论和光流做布料变形，但效果太粗糙。真正的转折点是2018年的VITON论文，它首次把“形变”和“生成”分成两个阶段。先做一个空间变换模块，把衣服扭曲到贴合目标人体，再用一个生成网络补齐遮挡和细节。

我们来看看这个“形变”具体怎么做。传统方法用TPS（薄板样条插值）。概念不复杂：

先在衣服图片上定义一个网格，比如7×7个控制点。
在目标人体上标出对应位置，比如肩膀、胸、腰。
计算一个变换函数，让控制点之间的区域平滑地移动到新位置，就像拉扯一张橡皮膜。

但TPS只能处理整体形变，它不知道衣服的领口应该从哪个角度翻折，不知道袖子在肘部弯曲时应该出现怎样的堆积。于是后来的方法用光流来预测像素级位移，效果更好，但代价是容易出现纹理扭曲（尤其是条纹和格子）。HR-VITON则通过粗到细的生成，把输出分辨率提升到了1024像素，让蕾丝、织标这类细节得以保留。

然后引入GAN生成器。VITON的精髓在于，它使用一个生成网络来“修复”变形后的不自然区域。输入变形后的衣片、目标人体掩码、姿态图，让生成器画出最终穿衣效果。对比原始的贴图方法，VITON在定量指标和视觉质量上都有显著提升。

但GAN有一个死穴：它生成的图像分辨率低，容易产生纹理伪影，而且对不同体型和姿态泛化能力差。一件衣服在模型A身上效果好，换到模型B身上可能就崩了。我跑实验时经常看到生成的袖口边缘有锯齿，像是没有闭合的油漆线条。

扩散模型为什么突然就“真”了

真正的转折发生在2023-2024年，扩散模型（Diffusion Model）接管了这个任务。OOTDiffusion就是这一路线的代表。它没有用GAN那种“一下子生成整张图”的思路，而是采用“从噪声中逐步去噪”的方式。每一步去噪都同时参考目标人体、衣服图像和控制信号，最终得到高分辨率、纹理细腻的结果。

为什么扩散模型适合虚拟试穿？关键原因是它天然擅长生成多样化的纹理和细节。传统GAN生成器容易模式崩溃，而扩散模型在大量数据上训练后，对衣服这种高频细节（如蕾丝、印花、针织纹理）有更强的表达能力。OOTDiffusion的做法是：先把衣服图像“编码”成一个特征向量，在UNet的每个去噪步骤中注入这个特征，让模型时刻“记住”衣服长什么样。同时用姿态骨架（如OpenPose）和人体解析图来控制人的姿态和形状。这样模型生成的图像既保留了衣服的图案，又符合了目标人的体型。

褶皱和阴影：AI没有物理引擎，只有统计先验

但这里有一个关键问题：褶皱和阴影到底是怎么来的？在很多文章的宣传图里，AI生成的褶皱几乎和摄影棚拍摄的效果一样。你可能会以为模型内部有物理布料模拟。但实际它根本没有算物理。它是“猜”的。模型在训练时见过成千上万张穿各种衣服的人体照片，它知道肘弯处通常有放射状褶皱，腰部常常有横向堆积，肩膀因为受光会亮一些，腋下会有阴影。它只是利用这些统计规律，在生成时“脑补”出了最像真实的明暗变化。

这带来一个很反直觉的结论：AI生成的褶皱虽然好看，但不是物理上必然正确的。在某些极端姿态下，比如弯腰或大幅举手，模型可能画出物理上不可能的褶皱，因为它在训练数据里没见过那么大的变形。这也是为什么虚拟试穿功能通常只允许你在标准站姿图片上试衣服，你一旦上传一个举着手的照片，效果就容易崩。

除了单张图片，当前虚拟试穿还有几个公认的局限：

衣服背面信息缺失。商品图往往只有正面，AI试穿时无法画出领口内侧或背面图案，只能靠猜测。
复杂姿态和遮挡处理差。两件衣服叠加、手插口袋这种动作，容易产生错误的遮挡关系。
不同体型适应性弱。训练数据里可能存在体型偏斜，导致胖瘦两个极端表现不好。

我们来看一下虚拟试穿技术路线的对比，可以更好理解为什么扩散模型成了主流：

方法	形变方式	生成方式	优点	缺点
传统TPS	控制点网格插值	无（直接贴图）	简单快速	无法处理遮挡和纹理细节
VITON	TPS+光流	对抗生成网络	端到端可训，效果优于贴图	分辨率低，伪影多，姿态泛化差
HR-VITON	基于分割的形变	粗到细的GAN	高分辨率（1024），保留细节	仍受限于GAN生成能力
OOTDiffusion	显式形变+隐式渲染	扩散模型去噪	细节真实，风格自然，可控性高	计算量大，生成速度慢，物理正确性无保证

看到这里你可能会问：那是不是以后我们买衣服都不用看模特图，直接用AI生成一个三维虚拟人试穿？很遗憾，目前还远没到那一步。二维虚拟试穿本质上还是“图像到图像”的翻译，它没有真实的布料模拟，也没有光照模型。对于立体效果要求高的场景，比如婚纱、西装，二维方法还是无法给出可旋转的多角度效果。而真正的三维布料模拟需要物理引擎，AI的角色就变成了辅助生成材质和渲染参数，这完全是另一条技术路线。

最后，作为一名经常跑这些模型的人，我给出一个实用建议：如果你要做虚拟试穿产品，先把姿态控制好，尽量使用标准的正面站姿图片。别指望模型能在无约束姿势下做到完美。要理解AI试穿的本质，不妨把它想象成一个经验丰富但从不照镜子的裁缝——它剪裁过几百万张衣服照片，但从来没见过真实布料，它的褶皱和光影都是凭印象画的，画得很好看，但偶尔会画错。

这就是AI虚拟试穿的核心机制：形变靠几何变换，纹理靠生成模型，褶皱和阴影靠统计先验。它们组合在一起，实现了那个魔术般的“穿上效果”，但也带来了显而易见的能力边界。