FIT (Fit-Inclusive Try-on)

FIT是由华盛顿大学和谷歌研究院联合创建的大规模虚拟试衣数据集，专注于服装合身性评估。该数据集包含113万组训练样本，涵盖168种体型、528种姿势及15.8万种服装设计，通过GarmentCode程序化生成3D服装并模拟真实物理垂坠效果。数据采用合成到真实（sim2real）的纹理重建技术，确保几何精度与照片级真实性。其核心价值在于解决现有试衣系统忽略尺寸匹配的问题，为电商、时尚设计等领域提供精准的虚拟合身性预测基准。FIT is a large-scale virtual try-on dataset jointly created by the University of Washington and Google Research, focusing on clothing fit assessment. It contains 1.13 million training samples, encompassing 168 body types, 528 poses, and 158,000 clothing designs. 3D garments are programmatically generated via GarmentCode, with realistic physical draping effects simulated. The dataset adopts synthetic-to-real (sim2real) texture reconstruction techniques to ensure geometric accuracy and photorealistic authenticity. Its core value lies in addressing the issue that existing try-on systems overlook size matching, providing an accurate virtual fit prediction benchmark for industries such as e-commerce and fashion design.

搜集汇总

数据集介绍

构建方式

在虚拟试穿领域，现有数据集普遍缺乏精确的尺寸标注与多样化的合身度场景，尤其难以捕捉衣物与人体尺寸严重不匹配的“不合身”案例。为突破这一瓶颈，FIT数据集采用了一种可扩展的合成数据生成流程。该流程首先利用GarmentCode框架程序化生成具有精确尺寸标注的三维服装版型，并通过物理模拟将其披覆到一系列参数化的人体模型上，以逼真地捕捉不同合身度下的服装褶皱、拉伸与覆盖状态。随后，通过一个新颖的重新纹理化框架，将合成渲染图转化为具有照片级真实感的图像，同时严格保持服装与人体形状的几何结构。此外，通过利用合成流程的可控性，生成了包含同一人物、同一姿态但穿着不同服装的配对人物图像，为监督学习提供了高质量的真实配对数据。

使用方法

FIT数据集主要服务于训练和评估能够感知服装合身度的虚拟试穿模型。研究人员可利用其提供的配对人物图像、平铺服装图像以及精确的尺寸标注，以有监督的方式训练模型，使其学会根据给定的人体尺寸和服装尺寸，合成出符合真实物理合身度的试穿效果图。该数据集也可作为基准测试平台，用于客观比较不同模型在合身度渲染准确性、图像真实感等方面的性能。具体而言，模型可将尺寸标注向量作为条件输入，引导生成过程；同时，利用其丰富的“不合身”样本，能够有效提升模型在极端尺寸不匹配情况下的泛化能力与表现真实性。

背景与挑战

背景概述

虚拟试穿技术作为计算机视觉与生成模型交叉领域的重要应用，其核心目标在于生成人物穿着指定服装的真实图像，同时保持人物姿态与身份特征。然而，现有方法多聚焦于服装纹理的迁移与外观合成，普遍忽视了试穿体验中至关重要的合身性维度，即服装尺寸与人体尺寸的匹配关系。为填补这一研究空白，华盛顿大学与谷歌研究院的研究团队于2026年共同发布了FIT数据集。该数据集作为首个大规模、合身感知的虚拟试穿基准，包含了超过113万组试穿图像三元组，并精确标注了人体与服装的尺寸测量数据。其核心研究问题在于推动虚拟试穿系统从单纯的外观模拟，迈向能够真实反映服装合身效果的智能化阶段，对电子商务、个性化推荐及数字时尚领域具有深远影响。

当前挑战

FIT数据集旨在解决的领域核心挑战，是当前虚拟试穿模型普遍无法准确模拟服装合身性的问题，即回答“这件衣服穿在我身上实际效果如何”。具体而言，现有模型缺乏对“不合身”场景（如特大号服装穿在特小号人体上）的建模能力，导致生成结果总是趋向于“合身”，与现实试穿体验不符。在数据集构建过程中，研究团队面临多重挑战：首要难题是现实世界数据的稀缺性，现有数据集多源自电商目录图，天然缺乏精确尺寸标注与极端不合身样本；其次，合成数据生成需克服真实感鸿沟，团队通过创新的程序化三维服装生成、物理模拟悬垂以及基于扩散模型的几何保持重纹理化流程，才得以在保证尺寸精确性的同时，生成具有照片级真实感的图像；最后，为支持监督训练，还需生成配对的人物参考图像（同一人物、不同服装），这要求模型在更换服装时严格保持人物身份与姿态的一致性，对生成控制提出了极高要求。

常用场景

经典使用场景

在虚拟试穿技术领域，FIT数据集为研究服装合身度感知提供了关键的数据支撑。该数据集通过合成方法生成了超过113万组试穿图像三元组，每组合成了包含人体与服装精确尺寸标注的试穿场景。其经典应用场景在于训练和评估能够模拟不同合身度（如紧身、宽松）的虚拟试穿模型，使模型能够依据具体的身体与服装测量数据，生成符合真实物理规律的试穿效果图像。

解决学术问题

FIT数据集主要解决了虚拟试穿研究中长期存在的合身度建模难题。传统方法因缺乏标注精确尺寸、特别是“不合身”案例的数据，导致生成的试穿图像默认呈现合身效果，无法反映尺寸不匹配的真实情况。该数据集提供了大规模、带有精确度量标注的试穿样本，使得研究人员能够开发出能够理解并可视化服装合身度的模型，从而推动虚拟试穿技术向更真实、更实用的方向发展。

实际应用

在实际应用中，FIT数据集为电子商务和时尚产业带来了革新潜力。基于该数据集训练的合身度感知虚拟试穿系统，能够帮助在线消费者更准确地预览服装在不同体型上的穿着效果，包括尝试不同尺码以实现理想的修身或宽松造型。这显著提升了在线购物的体验真实性与决策可靠性，减少了因尺码不合导致的退货率，具有重要的商业价值。

数据集最近研究

最新研究方向

在虚拟试穿领域，FIT数据集正推动着尺寸感知模型的前沿探索。该数据集通过合成数据生成流程，结合物理模拟与生成式重纹理技术，首次大规模提供了精确的人体与服装尺寸标注，并涵盖从紧身到宽松的多样化拟合场景。这一突破性资源促使研究焦点转向如何将结构化测量数据整合至扩散模型中，以实现对服装合身度的精准控制。当前热点集中于开发能够独立调节单维度尺寸（如衣长、袖长）的模型架构，并探索在缺乏真实配对数据的情况下，利用合成数据提升模型在真实场景中的泛化能力。FIT数据集的发布不仅为合身感知虚拟试穿设立了新的基准，也为在线购物与个性化时尚推荐提供了更可靠的视觉化工具，具有显著的商业应用价值与研究意义。

相关研究论文

• FIT: A Large-Scale Dataset for Fit-Aware Virtual Try-On

  华盛顿大学; 谷歌研究院 · 2026年