推动虚拟试衣模型真正走向落地与应用！| 中山大学联合 Pixocia 提出 CatVTON: 一种更加轻量化的扩散模型架构-CSDN博客

本文链接：https://blog.csdn.net/CVHub/article/details/140832986

论文地址：https://arxiv.org/abs/2407.15886
论文源码：https://github.com/Zheng-Chong/CatVTON
项目主页：https://zheng-chong.github.io/CatVTON

导读

近日，中山大学和 Pixocial 联合发布了 CatVTON，提出更加轻量化的架构与参数高效训练策略，助力图像虚拟试衣技术向落地应用迈进！

目前项目已公开论文并开源权重、代码以及 ComfyUI 工作流，更有在线 Demo 可以试玩！

给钢铁侠穿上奇异博士的披风战袍？

让寡姐换上国风花草 Polo 衫？

又或者让马斯克穿着做旧牛仔走红毯？

通通不在话下！只需要上传两张图像给 🐈CatVTON，不到半分钟就可以得到！

多任务+多品类的虚拟换装

CatVTON 不仅可以实现传统的平铺服装图到人物的换装，而且同时支持上衣、裤子、裙子、套装等不同品类服装，服装的形状和精细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。

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（输出图像尺寸 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。

参数高效训练

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。