Angolo di Anderson
Provare nuovi abiti virtualmente con l’IA

Punti chiaveIl modello AI a stadio singolo di Vanast integra abbigliamento, identità e movimento…
Vedi di più
- Il modello AI a stadio singolo di Vanast integra abbigliamento, identità e movimento per video di prova virtuale più stabili.
- Il sistema crea i propri dati di addestramento sintetici utilizzando modelli come Flux e Qwen per superare la scarsità di dati del mondo reale.
- Nonostante i progressi tecnici, la fattibilità commerciale rimane limitata dalle elevate esigenze computazionali e dalle sfide di latenza.
Un modello di IA può ora ricavare da una sola foto e dalle immagini di alcuni capi un video in cui la stessa persona si muove indossando nuovi abiti, evitando gli errori comuni nei vecchi sistemi a due fasi.
Nella ricerca sulla visione artificiale, la prova virtuale degli abiti (VTON) è uno degli ambiti più finanziati e prolifici della letteratura. Il motivo principale è il considerevole sostegno economico del ricco settore della moda, come lasciano intuire le numerose collaborazioni tra imprese e università pubblicate ogni anno:

Da Image-Based Virtual Try-On: A Survey: esempi di rappresentazione della persona e di alcune fasi di filtraggio e affinamento che anche le immagini di base devono attraversare per la prova virtuale degli abiti (VTON). Fonte
L’obiettivo assume molte forme, come estrarre capi dalle immagini di persone oppure adattarsi a corporature più piene quando necessario. Alcuni sistemi basati su immagini sono già impiegati commercialmente su piattaforme come veesual.ai, wanna.fashion e fashn.ai.
Per i video, l’app sperimentale Doppl di Google Labs ha sperimentato questa funzione. È stata lanciata l’estate scorsa:
Se il video non parte automaticamente, fare clic per riprodurlo. Estratti dal progetto Google Doppl, ormai interrotto, per la prova virtuale in video. Fonte
Doppl chiude però nell’aprile 2026 dopo un’accoglienza tiepida e gli utenti vengono ora indirizzati al servizio di prova virtuale† dell’azienda, che utilizza soltanto immagini:

Il servizio di prova virtuale di Google basato esclusivamente su immagini, verso cui vengono indirizzati gli utenti della piattaforma Doppl interrotta. Fonte
Alcune piattaforme offrono la prova virtuale in video, ma nessuna sembra collegata a un vero rivenditore. Sono tutti prodotti sperimentali ai limiti della tecnologia, marginali e spesso discutibili, che promuovono token.
Nella ricerca esistono tentativi interessanti. In genere, però, utilizzano architetture complesse con cui è difficile ottenere contemporaneamente bassa latenza ed elevata qualità:
Se il video non parte automaticamente, fare clic per riprodurlo. Dal progetto Fashion-VDM del 2024: un esempio di trasferimento di abiti su immagini di persone senza testa. Fonte
Adattare gli abiti a una persona reale senza deformare né i capi né la persona, conservando al contempo un movimento utile a mostrarli, è una sfida enorme per la tecnologia attuale. Quando la persona si gira, per esempio, la parte posteriore del prodotto deve essere mostrata con precisione.
Vanast
Un nuovo studio coreano cerca di affrontare questa sfida con una soluzione nuova e interamente integrata per elaborare abiti, persona e movimento:
Se il video non parte automaticamente, fare clic per riprodurlo. Esempi dal sito con il materiale supplementare del progetto Vanast. Fonte
Il nuovo sistema Vanast utilizza un dataset apposito che combina e coordina i tre fattori necessari: abiti, persona e movimento:
Fare clic per riprodurre. Altri esempi dal sito del progetto Vanast.
Il sistema usa strumenti come Flux, Qwen e ChatGPT per creare un dataset di triplette con cui addestrare un’architettura che gestisce l’intero compito dall’inizio alla fine:

Dal nuovo studio: esempi di elementi del dataset usati per la generazione e l’addestramento. Fonte –
Il nuovo studio si intitola Vanast: Virtual Try-On with Human Image Animation via Synthetic Triplet Supervision ed è opera di quattro ricercatori della Seoul National University. È disponibile anche un sito del progetto ricco di video.
Metodo
L’obiettivo degli autori è unire i tre aspetti citati in un’unica fase. Non si tratta soltanto di ottenere un processo unitario: i diversi aspetti hanno così più opportunità di interagire durante l’addestramento, per rendere più coerenti i risultati generati:

Vanast combina una sola foto della persona, immagini separate dei capi e un riferimento di movimento. Genera una sequenza in cui la stessa persona si muove con i nuovi abiti. La guida basata sulle pose garantisce movimenti coerenti, preservando identità e dettagli dei capi tra i fotogrammi.
Il sistema riceve immagini dei capi desiderati, una foto della persona con altri vestiti, un video di riferimento che definisce il movimento e un prompt testuale che descrive azione e ambientazione. Produce una sequenza video completa in cui la stessa persona sembra indossare i nuovi abiti e segue il movimento imposto, con un aspetto visivo coerente nel tempo.
La maggior parte degli studi precedenti simili separava la vestizione dall’animazione. Vanast gestisce invece abiti, identità e movimento insieme, consentendo loro di interagire durante la generazione e riducendo le discrepanze e l’instabilità dei metodi precedenti.
Dataset
L’addestramento usa esempi corrispondenti di una foto della persona, dei relativi capi e di un video della stessa persona che si muove indossandoli. Il movimento viene estratto con un’architettura precedente, che fornisce una guida stabile delle pose tra i fotogrammi.
Poiché non esisteva un dataset pubblico conforme ai requisiti, sono stati raccolti video con abiti diversi da siti di acquisti online non specificati. Servivano però video della stessa persona con più combinazioni di abiti differenti, un caso raro nei dati raccolti in contesti reali. È stato quindi necessario creare dati sintetici.
Il procedimento si articola in tre fasi. Il modello visivo-linguistico (VLM) Qwen2.5-VL seleziona fotogrammi candidati adatti dai video, li ritaglia opportunamente e ne valuta l’idoneità: per esempio, assenza di occlusioni e posizione corretta della persona. Vengono poi create apposite maschere di inpainting per isolare le aree interessate. Come nello studio precedente PERSE questa parte è gestita dall’ormai noto modello di diffusione SDXL.

Panoramica del processo Vanast: una foto della persona, immagini dei capi desiderati e un video guida del movimento vengono codificati ed elaborati in un modello unificato di diffusione video. L’animazione preserva l’identità, segue la sequenza di pose e applica i capi desiderati. La creazione di triplette sintetiche sostiene l’addestramento; due moduli separano animazione e trasferimento degli abiti per mantenere la coerenza.
Nella terza fase Qwen classifica nuovamente le immagini in base al genere. Il noto strumento di diffusione delle immagini Flux modifica quindi gli abiti nell’immagine, poiché può combinare più elementi in ingresso. I prompt testuali di inpainting sono stati preparati con ChatGPT; la versione non è specificata.
Per aumentare la varietà di pose e sfondi è stato introdotto un processo che costruisce triplette di addestramento da video ripresi in contesti reali, usando il dataset HumanVid. Lo stesso procedimento genera immagini della persona che ne preservano l’identità.
Poiché i video non contenevano immagini separate dei capi, queste sono state sintetizzate direttamente dalle riprese. Da ciascun video sono stati estratti fotogrammi, valutati da Qwen in base alla visibilità frontale. Il candidato migliore è stato scelto considerando visibilità dell’intero corpo, nitidezza, occlusioni minime, illuminazione e composizione generale.
La regione dei capi sulla parte superiore del corpo è stata estratta con SegFormer e lo sfondo è stato rimosso per isolare il capo.
Per evitare distorsioni legate alla posizione la regione dell’abito è stata spostata casualmente nel suo riquadro di delimitazione. Qwen ha nuovamente filtrato le segmentazioni inaffidabili. Sono così nate immagini sintetiche di capi abbinate a movimento e identità, consentendo la costruzione su larga scala di triplette da video non strutturati e migliorando la robustezza in condizioni reali diverse.
Architettura
Un’architettura a due moduli affronta la lenta convergenza e il debole equilibrio del controllo osservati nei metodi precedenti che cercavano di fondere tutte le condizioni. L’approccio usa il diffusion transformer testo-video di Wan e si avvale anche del progetto VACE descritto più avanti.
Il modello è diviso in un modulo di animazione della persona (HAM), che gestisce movimento e identità dagli input della persona e delle pose, e un modulo di trasferimento degli abiti (GTM), che elabora i capi dalle loro immagini. Entrambi condividono parti della rete di base e integrano le caratteristiche in modo distribuito e a cascata per migliorare il condizionamento.
L’addestramento avviene congelando la rete di base e ottimizzando soltanto i parametri HAM e GTM, bilanciandone i contributi durante l’integrazione delle caratteristiche. Gli input delle triplette sintetiche sono convertiti in rappresentazioni latenti con l’autoencoder variazionale (VAE) di WAN.
Il contesto sensibile al movimento combina informazioni sulla persona e sulle pose nel tempo. Le caratteristiche dei capi vengono elaborate separatamente e allineate tramite proiezione negli embedding dei token.
Il modello supporta anche l’interpolazione tra abiti. Le rappresentazioni di due capi vengono combinate per generare transizioni fluide, consentendo una fusione coerente e continua tra capi senza ulteriore ottimizzazione.
Dati e test
Il modello è stato addestrato su 9.135 video di durata compresa tra tre e dieci secondi, provenienti dai siti di acquisti citati, dal dataset generato dagli autori e da HumanVid.
Sono stati creati due dataset di valutazione: Internet, con video e immagini di prodotti da siti commerciali, e la suddivisione ufficiale di test del dataset ViViD di Alibaba. Poiché ViViD non contiene volti, questi sono stati aggiunti tramite outpainting con Flux. Il video precedente mostra questa pratica, molto comune nella letteratura sulla prova virtuale.
Le metriche utilizzate sono perdita L1; Peak Signal-to-Noise Ratio (PSNR); Structural Similarity Index (SSIM); Learned Perceptual Image Patch Similarity (LPIPS); Fréchet Inception Distance (FID) e Fréchet Video Distance†† (FVD).
Per il trasferimento degli abiti sono stati testati OOTDiffusion; CatVTON; OmniTry e Any2AnyTryon. I modelli che generano immagini a partire da un soggetto sottoposti a test sono VisualCloze; MOSAIC e il modello di ByteDance UNO.
Per la seconda fase, l’animazione delle immagini della persona, sono stati usati StableAnimator e DisPose.
VACE è stato testato in un contesto più limitato, perché non supporta direttamente l’obiettivo, con alcuni tentativi di compensare la funzionalità mancante:

Confronto quantitativo con combinazioni di modelli di generazione di immagini da un soggetto e modelli di animazione sui dataset Internet e ViViD. Il metodo proposto ottiene le migliori prestazioni in tutte le metriche riportate. I valori in grassetto indicano il punteggio più alto di ciascuna colonna.
Sui primi risultati mostrati sopra gli autori affermano:
«Il nostro modello ottiene le migliori prestazioni in tutte le metriche rispetto alle combinazioni di modelli di generazione di immagini da un soggetto e modelli di animazione».
«I risultati qualitativi [sotto] confermano ulteriormente che il nostro approccio segue le pose ed esegue il trasferimento degli abiti con la massima precisione, preservando l’identità più fedelmente di tutte le soluzioni di confronto basate sulla generazione di immagini da un soggetto».

Confronto qualitativo su Internet e ViViD con modelli di generazione di immagini da un soggetto e di animazione. Secondo gli autori, il metodo proposto offre un allineamento delle pose e un trasferimento degli abiti più precisi, preservando l’identità in modo più coerente rispetto a VisualCloze, MOSAIC, UNO e VACE.
Nella seconda categoria di test sono state confrontate combinazioni di prova virtuale su immagini e modelli di animazione. Il nuovo lavoro ha nuovamente ottenuto il punteggio più alto:

Confronto quantitativo con combinazioni di prova virtuale su immagini e modelli di animazione su Internet e ViViD. Il metodo ottiene le migliori prestazioni complessive tra le metriche, mentre SSIM rimane paragonabile alla soluzione di confronto più forte. Il grassetto indica il punteggio più alto.
Gli autori aggiungono:
«I confronti qualitativi [sotto] mostrano che i nostri risultati sono quelli che più somigliano ai riferimenti reali tra tutte le soluzioni di confronto basate sulla prova virtuale su immagini».

Test qualitativi con soluzioni di confronto ottenute combinando modelli VTON e modelli di animazione.
Conclusione
Vanast offre una soluzione unitaria dall’inizio alla fine. La mancanza di dettagli sui requisiti di risorse per addestramento e inferenza suggerisce però che potrebbe non essere la soluzione più leggera o agile. La sfida è già estremamente difficile in un sistema non ottimizzato. Quanto può esserlo ancora di più in un impiego commerciale che richiede bassa latenza, costi accessibili e ritorno sull’investimento su larga scala?
La prova virtuale è uno degli obiettivi più ambiziosi dell’IA. L’immagine della tecnologia attuale diffusa da titoli e risultati selezionati nasconde la difficoltà reale del compito. Forse tecnologie successive e più leggere dei transformer riusciranno infine a risolverlo.
† Disponibile negli Stati Uniti; bloccato geograficamente in molte altre regioni, se non in tutte.
†† Gli autori citano VFID, ma rimandano soltanto allo studio ViViD, che per quanto ho potuto verificare nel poco tempo disponibile non giustifica il riferimento. Ho supposto che intendessero Fréchet Video Distance (FVD) e che anche loro avessero poco tempo. Contattatemi per eventuali correzioni.
Pubblicato per la prima volta mercoledì 8 aprile 2026












