TripVVT：用于野外视频虚拟试戴的大规模三元组数据集和粗掩模基线

由于大规模野外三元组数据的稀缺以及掩模使用不当，视频虚拟试穿模型的性能仍然有限。在本文中，我们首先介绍 **TripVVT-10K**，这是迄今为止最大、最多样化的野外三元组数据集，提供现有视频数据集所缺乏的明确的视频级跨服装监督。在此资源的基础上，我们开发了 **TripVVT**，这是一个基于 Diffusion Transformer 的框架，用简单、稳定的人体掩模先验取代了脆弱的服装掩模，实现了可靠的背景保留，同时对现实世界的运动、遮挡和杂乱场景保持鲁棒性。为了支持综合评估，我们进一步建立了 **TripVVT-Bench**，这是一个涵盖多样化服装、复杂环境和多人场景的 100 例基准测试，指标涵盖视频质量、试穿保真度、背景一致性和时间一致性。与最先进的学术和商业系统相比，TripVVT 实现了卓越的视频质量和服装保真度，同时显着提高了对具有挑战性的野外视频的泛化能力。我们公开发布了数据集和基准测试，我们相信这为推进可控、真实且时间稳定的视频虚拟试戴奠定了坚实的基础。