UIUC 提出视频虚拟试穿生成方法 DressDance，可直接生成高质量的5 秒 24 帧 1152×720 分辨率的虚拟试穿视频。
UIUC 提出的 Dress&Dance 框架是一个通用的视频生成框架，其条件输入范围广泛，包括文本、布局、稀疏姿势序列和多模态组合。该方法没有构建特定任务的架构，而是采用了一种统一的条件机制 CondNet，它将不同的模态处理到共享空间中。这使得单个视频生成器无需重新训练即可支持多种控制信号。
在一系列示例中（包括随附视频中展示的示例），该方法生成了 时间连贯且逼真的结果，通常能够捕捉到细微的动态，并与输入提示保持高度一致。同一模型在各个任务中具有良好的泛化能力，展现出强大的组合性和对各种条件输入的响应能力。
效果展示
单件服装
同时生产多件服装
相关链接
论文：https://arxiv.org/pdf/2508.21070
项目：https://immortalco.github.io/DressAndDance/
论文阅读
论文名：Dress&Dance: Dress up and Dance as You Like It Technical Preview
论文推出了一个视频扩散框架Dress&Dance，它可以生成高质量的5秒24帧/秒虚拟试穿视频，分辨率为1152×720，视频中用户穿着自己想要的服装，并根据给定的参考视频进行移动。该方法只需要一张用户图像，并支持多种上衣、下装和连体衣的试穿，以及一次性同时试穿上衣和下装。我们框架的关键是CondNet，这是一个新颖的调节网络，它利用注意力机制来统一多模态输入（文本、图像和视频），从而增强服装配准和运动保真度。CondNet基于异构训练数据进行训练，将有限的视频数据和更大、更容易获取的图像数据集以多阶段渐进的方式进行组合。Dress&Dance的性能优于现有的开源和商业解决方案，并能够提供高质量且灵活的试穿体验。
给定一张用户图像、一件想要的服装和一段指定的参考视频，我们通过 GPT 提取详细的文本描述，如第一行所示。(a) 单图像试穿方法 TPD、OOTD 和 GP-VTON 难以生成有意义的试穿，而当通过 CogVideoX 应用运动时，会发生错误传播。(b) 最先进的商业模型，例如 Kling，能够执行试穿，但仍然难以捕捉细微的运动描述，因为仅靠文本不足以描述运动。即使在使用 Kling 进行试穿的情况下，当使用 Ray2 进行运动生成时，这一点也很明显。此外，由于用户的右手遮住了部分服装，视频生成模型会丢失被遮盖图案的信息，导致当手在视频中移动时，对于 (a) 和 (b) 中的所有基线，服装外观都是不正确的。(c) 我们的 Dress&Dance 能够生成高质量的虚拟试穿效果，即使手移开，也能通过精确的动作忠实地保留服装和用户的外观。
Dress&Dance 支持通过分割将服装从另一幅给定图像中迁移出来，而无需考虑该图像的姿态。值得注意的是，我们的 Dress&Dance 生成了 1152 × 720 的高分辨率视频，外观清晰，细节丰富，而基线 Fashion-VDM [12] 则出现了色彩褪色，并生成了 512 × 384 的低分辨率视频。
方法概述
Dress&Dance 通过我们基于注意力机制的统一 CondNets 架构支持多模态条件反射。在一代中，主扩散模型生成 8 FPS 的视频，然后精炼模型将其上采样至 24 FPS，同时去除伪影。
Dress&Dance 有多种用途：(a) Dress&Dance 可以生成复杂的舞蹈动作；(b) Dress&Dance 可以同时对上衣和下装进行虚拟试穿；(c) Dress&Dance 可以输入其他用户穿着的服装。
实验结果
Dress&Dance 的表现显著优于现有的视频虚拟试穿方法，其纹理更加细致、精确，并且对透明服装的支持也更好。
在定量评估中，Dress&Dance 在大多数指标下都显著优于开源基线， 同时实现了与商业模型 Kling AI 和 Ray2 相当甚至更好的质量指标。粗体数字表示每个指标中的最佳值，带下划线的数字表示第二好的值。
Dress&Dance 支持同时试穿一套上衣和下装，无需明确标注即可正确理解和呈现两件衣服。相反，Kling AI 会将裤子误认为是裙子。
结论
论文推出了一个全新的视频扩散框架Dress&Dance，它能够实现服装试穿和时间一致性运动生成。作为首个实现高分辨率（1152 × 720）视频虚拟试穿的成果，该框架能够创建高质量的视频，展示用户穿着目标服装的画面，并通过示例视频引导动作。Dress&Dance解决了几个关键挑战，包括保留用户和服装的相似性，以及以最小的误差传播生成复杂的运动。通过利用具有交叉注意力机制的统一条件网络，我们能够有效地处理异构输入，改进服装配准，并支持各种服装捕捉方法。此外高效的数据训练策略，结合合成三元组数据生成和多阶段渐进式方法，能够生成伪影较少的高分辨率视频。