一句话定义：虚拟试穿（Virtual Try-On，简称 VTO）是给一张人物照片和一张服装平铺图，生成一张「这个人真的穿着这件衣服」的逼真照片，同时尽量不改动他的脸、体型和背景。
它是怎么做到的
标准流水线大致三步：
1. 看懂人。人体姿态估计（pose estimation）先找出肩、肘、腰、胯等关键点，人体解析（human parsing）再把人像按部位切成上衣、裤子、手臂、头发等区域，得到一张「哪里该被替换」的掩码。
2. 看懂衣服。服饰分割与形变（garment warping）把平铺服装的轮廓对齐到目标体型上，做非刚性形变，相当于把一件平面的衣服「套」到身上。
3. 生成融合。扩散模型（diffusion model）只在掩码区域内重绘，并让接缝、褶皱、阴影与人体自然衔接。
打个比方：这像给照片里的模特换衣服——先用粉笔在身上画出该换的位置，再把衣服按体型拉扯成合适的形状，最后请一位会画画的师傅补上接缝、阴影和被手臂挡住的部分。
和相邻概念的区别
普通图生图（image-to-image）是「整张重画」，很容易把脸改了、背景换了，衣服细节则靠模型凭印象补；虚拟试穿约束强得多：人脸、背景、未被衣服遮住的皮肤和四肢要保持稳定，只有服装覆盖区允许改动，且改动内容必须忠实于给定的商品图。换装滤镜或贴图则基本只是几何对齐，没有生成能力，遇到褶皱、遮挡、光照变化就露馅。
| 维度 | 普通图生图 | 虚拟试穿 |
|---|---|---|
| 可改动范围 | 全图 | 主要是服装覆盖区 |
| 身份保持 | 不保证 | 必须保持 |
| 服装忠实度 | 靠模型想象 | 对齐给定商品图 |
| 主要难点 | 整体风格一致 | 细节、遮挡、光影 |
为什么难，哪里容易崩
- 细节保真：格纹、条纹、小 logo、蕾丝、纽扣容易被糊掉或扭曲。
- 遮挡关系：手臂横在身前、长发压住衣领时，AI 常把衣服画到手臂上，或者干脆把手画没了。
- 褶皱与垂坠：不同面料的软硬厚薄差异很大，丝绸常被画成硬壳。
- 光影一致：衣服是「后贴」的，光照方向和色温与人像对不上，就有明显的贴纸感。
- 体型与尺码：生成的是视觉效果，不等于真能穿得下、穿得合身。
对普通人和从业者意味着什么
对普通人，电商详情页可以自动生成多体型、多肤色的上身效果，缩小「买家秀与卖家秀」的落差；但它本质是图像生成，不是物理仿真，也不是尺码顾问，看到的效果应理解为示意图。
对从业者，虚拟试穿是典型的多模块流水线，成败往往不在单个扩散模型多强，而在姿态估计、掩码、形变、生成之间的误差会不会层层叠加。评测时也不能只看整体画质指标，更要单独看服装细节保真度和人物身份保持度。产品落地还要提前想清楚：用户是否上传本人照片、授权与留存怎么处理、生成结果是否标注为合成、与退货政策如何衔接。具体能力与限制，以官方页面为准。