超越全球现实主义：通过尺寸服装保真度评估进行虚拟试穿评估和优化

虚拟试穿（VTON）不仅需要真实的生成，还需要忠实地保存服装特性。然而，现有的评估指标（例如 PSNR、SSIM、KID 和 FID）很难衡量生成的服装与参考服装之间的一致性，特别是在捕获服装保真度的多维特征方面。为了解决这个问题，我们提出了 DAT：虚拟试穿的维度评估框架，它将服装一致性分解为七个可解释的维度：轮廓、颜色、领口和袖子形状、主要装饰和结构、材料纹理、细节保真度和徽标保留，每个维度都制定为离散的属性级预测任务。为了训练这个专门的评估模型，我们采用了两阶段学习范式，包括对 50K 样本进行大规模弱监督，然后对通过多模型投票获得的 10K 更高质量注释进行细化。此外，我们采用加权交叉熵损失来减轻评估维度上固有的严重标签不平衡。除了作为评估框架的作用之外，评估模型还可以集成到 VTON 的 Qwen-Image-Edit 的强化学习优化中，其中维度奖励会自适应聚合，以强调训练期间优化不足的方面。实验结果表明，我们的方法（8B 参数）在平衡精度、SROCC 和 PLCC 方面实现了最先进的性能，优于 Gemini-3.1、Qwen3.7-plus 和 GPT-5.5 等强大的专有模型，同时也可以作为奖励引导的 VTON 生成的有效优化信号