Garments2Look

Garments2Look是第一个用于服装级别虚拟试穿的大规模多模态数据集，包含80K多个服装到一个造型的配对，涵盖40个主要类别和300多个细分子类别。每个配对包括一个由3-12个参考服装图像组成的造型、一个穿着该造型的模特图像，以及详细的物品和试穿文本注释。数据集通过合成流程平衡真实性和多样性，并经过严格的自动过滤和人工验证以确保数据质量。

Garments2Look is the first large-scale multimodal dataset for garment-level virtual try-on. It contains over 80K garment-to-outfit pairs, covering 40 major categories and more than 300 fine-grained subcategories. Each pair includes an outfit composed of 3 to 12 reference garment images, a model image wearing the outfit, as well as detailed item-level and try-on textual annotations. The dataset balances authenticity and diversity through a synthetic pipeline, and undergoes rigorous automatic filtering and manual verification to ensure data quality.

原始信息汇总

Garments2Look 数据集概述

数据集基本信息

• 数据集名称：Garments2Look
• 核心贡献：首个用于全身搭配级别虚拟试穿的大规模多模态数据集。
• 数据规模：包含 80,000 个“多件服装到一种造型”的配对。
• 核心任务：支持包含多件服装和配饰的高保真全身搭配级别虚拟试穿。

数据集内容与特点

• 数据构成：每个数据对包含一个由 3 至 12 张参考服装图像（平均 4.48 张）组成的搭配、一张模特穿着该搭配的造型图像，以及详细的单品和试穿文本标注。
• 类别覆盖：涵盖 40 个主要类别和 300 多个细分子类别。
• 关键特性：专注于真实世界时尚搭配的复杂性，包括多件服装、配饰、细粒度类别、层次叠穿和多样化风格。

数据集构建流程

1. 数据收集：从不同来源获取真实世界的服装单品及其搭配建议。
2. 数据合成：通过生成新的搭配列表和造型图像来丰富数据集内容和多样性。
3. 数据过滤：通过严格的自动过滤和人工验证确保视觉一致性和数据质量，包括对服装图像、搭配列表和造型图像的标注。
4. 数据评估：验证数据质量，为全身搭配级别虚拟试穿任务设计新指标，并测试最先进的模型。

相关资源链接

• 论文：arXiv (TBD), CVPR (TBD)
• 项目主页：https://artmesciencelab.github.io/Garments2Look/
• 数据集地址：https://huggingface.co/datasets/ArtmeScienceLab/Garments2Look
• 测试集对比结果：https://huggingface.co/datasets/ArtmeScienceLab/Garments2Look-Test-Set-Results

引用信息

bibtex @inproceedings{cvpr2026garments2look, title={Garments2Look: A Multi-Reference Dataset for High-Fidelity Outfit-Level Virtual Try-On with Clothing and Accessories}, author={Hu, Junyao and Cheng, Zhongwei and Wong, Waikeung and Zou, Xingxing}, booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)}, year={2026} }

搜集汇总

数据集介绍

构建方式

在虚拟试穿技术领域，Garments2Look数据集通过精心设计的合成流程构建，以应对真实时尚搭配的复杂性。该流程首先从多元来源收集真实服装单品及其搭配建议，随后基于启发式方法生成多样化的服装列表，并通过先进图像生成技术合成试穿效果图。为确保数据质量，整个流程实施了严格的自动化过滤与人工验证机制，有效平衡了数据的真实性与多样性，最终形成了包含八万组多服装至单一造型配对的大规模数据集。

特点

Garments2Look作为首个面向整体造型级别虚拟试穿的大规模多模态数据集，其显著特点在于涵盖四十个主要类别与三百余个细分子类，突破了现有数据集的类别限制。每个数据样本包含三至十二件参考服装图像、模特穿着整体造型的图像以及详细的物品与试穿文本标注，平均参考服装数量达4.48件，充分体现了真实世界时尚搭配的层次化与风格多样性。数据集通过高精度标注与丰富样本，为复杂服装组合的研究提供了高质量基础。

使用方法

该数据集适用于推动整体造型级别虚拟试穿系统的研发与评估。研究者可基于其提供的多参考服装图像与对应造型图像，训练或测试模型在多层服装搭配、配饰整合及风格推断方面的性能。数据集附带的标准测试集与比较结果便于进行基准测试，而详细的文本标注则支持多模态学习任务的开展。使用时应遵循数据集的划分建议，并参考其设计的新评估指标，以全面衡量模型在减少错位与伪影方面的表现。

背景与挑战

背景概述

虚拟试衣技术作为计算机视觉与时尚产业交叉的前沿领域，长期聚焦于单一服装的视觉合成，然而现实穿搭场景涉及多件衣物、配饰的复杂组合与层次搭配，现有数据集在类别广度与整体造型多样性上存在显著局限。Garments2Look数据集由胡俊尧、程中伟等研究人员于2026年构建，旨在推动服装级虚拟试衣系统的研究，其核心研究问题在于如何实现高保真、多参考的完整造型合成。该数据集包含八万组多服装至单一造型的配对，涵盖四十个主要类别与三百余个子类别，通过启发式构建与合成流程，在保证真实性的同时极大丰富了数据多样性，为服装级虚拟试衣任务设立了新的基准，对推动时尚计算与生成模型的发展具有重要影响力。

当前挑战

在虚拟试衣领域，服装级合成面临多重挑战：现有方法难以无缝整合多件衣物与配饰，常导致视觉错位与伪影；模型在推断复杂层次关系与穿搭风格时表现不佳，无法准确还原真实世界的叠穿与搭配逻辑。数据构建过程中，平衡真实性与多样性是一大难点，需通过启发式列表构建与合成流程生成高质量样本；同时，确保数据视觉一致性与标注精度要求严格的自动化过滤与人工验证，这对大规模数据集的质控提出了极高要求。

常用场景

经典使用场景

在虚拟试穿技术领域，Garments2Look数据集为研究多服装组合的完整穿搭效果提供了关键支持。该数据集通过包含大量多参考服装图像与对应模特穿搭图像的配对，使得研究人员能够训练和评估模型在复杂场景下的表现，例如同时处理上衣、下装、外套及配饰的叠加与风格协调。其经典使用场景集中于推动算法在保持服装细节、层次感和整体美观性方面的能力，为虚拟时尚设计提供了实验基础。

实际应用

在实际应用中，Garments2Look数据集为电子商务、时尚零售和虚拟设计平台提供了强大工具。借助该数据集训练的模型，用户可以在线尝试多件服装与配饰的组合，预览整体穿搭效果，从而提升购物体验与个性化推荐精度。此外，它还能辅助时尚设计师进行创意构思，快速可视化不同搭配方案，降低实体样衣制作成本，推动数字化时尚产业的创新发展。

衍生相关工作

基于Garments2Look数据集，学术界已衍生出一系列经典研究工作，主要集中在多参考虚拟试穿模型的优化与评估框架构建上。例如，研究者们利用该数据集开发了能够处理复杂服装层叠的生成对抗网络，以及引入细粒度注释的注意力机制模型。这些工作不仅提升了虚拟试穿的真实感和多样性，还推动了相关评估指标的设计，为后续大规模、多模态时尚分析研究奠定了坚实基础。