[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-aimagelab--dress-code":3,"tool-aimagelab--dress-code":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",147882,2,"2026-04-09T11:32:47",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":77,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":89,"env_os":90,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":96,"github_topics":97,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":136},5898,"aimagelab\u002Fdress-code","dress-code","Dress Code: High-Resolution Multi-Category Virtual Try-On. ECCV 2022","Dress Code 是一个专为高分辨率虚拟试衣任务打造的数据集项目，源自 ECCV 2022 的研究成果。它主要解决了现有试衣数据在分辨率、服装类别多样性及标注精细度上的不足，为训练高质量的 AI 试衣模型提供了坚实基础。\n\n该数据集收录了来自时尚电商目录的超过 5.3 万件服装，涵盖上衣、下装和连衣裙三大类，包含逾 10 万张分辨率为 1024x768 的高清模特与服装配对图像。其独特亮点在于提供了极其丰富的辅助标注信息，包括基于 OpenPose 提取的人体关键点、骨架图，以及利用 SCHP 模型生成的精细人体语义分割掩码和稠密姿态（Dense Pose）数据。这些多维度的标注能显著提升模型对人体结构和衣物纹理的理解能力。\n\nDress Code 非常适合计算机视觉领域的研究人员和开发者使用，特别是那些致力于生成式对抗网络（GAN）、扩散模型或虚拟时尚应用创新的团队。需要注意的是，出于学术和非商业保护目的，该项目目前不对私营企业开放，申请时需使用机构邮箱并签署正式的释放协议。对于希望探索高保真数字时尚技术的专业人士而言，这是一个极具价值的资源库。","# Dress Code Dataset\n\nThis repository presents the virtual try-on dataset proposed in:\n\n*D. Morelli, M. Fincato, M. Cornia, F. Landi, F. Cesari, R. Cucchiara* \u003C\u002Fbr>\n**Dress Code: High-Resolution Multi-Category Virtual Try-On** \u003C\u002Fbr>\n\n**[[Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2204.08532)]** **[[Dataset Request Form](https:\u002F\u002Fforms.gle\u002F72Bpeh48P7zQimin7)]** **[[Try-On Demo](https:\u002F\u002Failb-web.ing.unimore.it\u002Fdress-code)]**\n\n**IMPORTANT!**\n- By making any use of the Dress Code Dataset, you accept and agree to comply with the terms and conditions reported [here](https:\u002F\u002Fgithub.com\u002Faimagelab\u002Fdress-code\u002Fblob\u002Fmain\u002FLICENCE).\n- The dataset will not be released to private companies. \n- When filling the dataset request form, non-institutional emails (e.g. gmail.com, qq.com, etc.) are not allowed.\n- The signed release agreement form is mandatory (see the dataset request form for more details). Incomplete or unsigned release agreement forms are not accepted and will not receive a response. Typed signatures are not allowed.\n\n**Requests are manually validated on a weekly basis. If you do not receive a response, your request does not meet the outlined requirements.**\n\n\u003Chr>\n\nPlease cite with the following BibTeX:\n\n```\n@inproceedings{morelli2022dresscode,\n  title={{Dress Code: High-Resolution Multi-Category Virtual Try-On}},\n  author={Morelli, Davide and Fincato, Matteo and Cornia, Marcella and Landi, Federico and Cesari, Fabio and Cucchiara, Rita},\n  booktitle={Proceedings of the European Conference on Computer Vision},\n  year={2022}\n}\n```\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faimagelab_dress-code_readme_0345b8a791c6.gif\" style=\"max-width: 800px; width: 80%\"\u002F>\n\u003C\u002Fp>\n\n## Dataset\n\nWe collected a new dataset for image-based virtual try-on composed of image pairs coming from different catalogs of YOOX NET-A-PORTER. \u003C\u002Fbr>\nThe dataset contains more than 50k high resolution model clothing images pairs divided into three different categories (*i.e.* dresses, upper-body clothes, lower-body clothes).\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faimagelab_dress-code_readme_00c8d2a385a5.gif\" style=\"max-width: 800px; width: 80%\">\n\u003C\u002Fp>\n\n### Summary\n- 53792 garments\n- 107584 images\n- 3 categories\n  - upper body\n  - lower body\n  - dresses\n- 1024 x 768 image resolution\n- additional info\n  - keypoints\n  - skeletons\n  - human label maps\n  - human dense poses\n\n### Additional Info\nAlong with model and garment image pair, we provide also the keypoints, skeleton, human label map, and dense pose. \n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faimagelab_dress-code_readme_40b6dd46febb.png\" style=\"max-width: 800px; width: 80%\"\u002F>\n\u003C\u002Fp>\n\n\u003Cdetails>\u003Csummary>More info\u003C\u002Fsummary>\n\n### Keypoints\nFor all image pairs of the dataset, we stored the joint coordinates of human poses.\nIn particular, we used [OpenPose](https:\u002F\u002Fgithub.com\u002FHzzone\u002Fpytorch-openpose) [1] to extract 18 keypoints for each human body. \n\nFor each image, we provided a json file containing a dictionary with the `keypoints` key.\nThe value of this key is a list of 18 elements, representing the joints of the human body. Each element is a list of 4 values, where the first two indicate the coordinates on the x and y axis respectively.\n\n### Skeletons\nSkeletons are RGB images obtained connecting keypoints with lines.\n\n### Human Label Map\n\nWe employed a human parser to assign each pixel of the image to a specific category thus obtaining a segmentation mask for each target model. \nSpecifically, we used the [SCHP model](https:\u002F\u002Fgithub.com\u002FPeikeLi\u002FSelf-Correction-Human-Parsing) [2] trained on the ATR dataset, a large single person human parsing dataset focused on fashion images with 18 classes.\n\nObtained images are composed of 1 channel filled with the category label value. \nCategories are mapped as follows:\n\n```ruby\n 0    background\n 1    hat\n 2    hair\n 3    sunglasses\n 4    upper_clothes\n 5    skirt\n 6    pants\n 7    dress\n 8    belt\n 9    left_shoe\n10    right_shoe\n11    head\n12    left_leg\n13    right_leg\n14    left_arm\n15    right_arm\n16    bag\n17    scarf\n```\n\n\n### Human Dense Pose\n\nWe also extracted dense label and UV mapping from all the model images using [DensePose](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fdetectron2\u002Ftree\u002Fmain\u002Fprojects\u002FDensePose) [3].\n\n\u003C\u002Fdetails>\n\n## Experimental Results\n\n### Low Resolution 256 x 192\n\u003Ctable>\n\u003C!-- TABLE BODY -->\n\u003Ctbody>\n  \u003C!-- TABLE HEADER -->\n    \u003Cth valign=\"bottom\">Name\u003C\u002Fth>\n    \u003Cth valign=\"bottom\">SSIM\u003C\u002Fth>\n    \u003Cth valign=\"bottom\">FID\u003C\u002Fth>\n    \u003Cth valign=\"bottom\">KID\u003C\u002Fth>\n  \u003C!-- ROW: CP VTON -->\n    \u003Ctr>\n      \u003Ctd align=\"center\">CP-VTON [4]\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.803\u003C\u002Ftd>\n      \u003Ctd align=\"center\">35.16\u003C\u002Ftd>\n      \u003Ctd align=\"center\">2.245\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C!-- ROW: CP VTON+ -->\n    \u003Ctr>\n      \u003Ctd align=\"center\">CP-VTON+ [5]\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.902\u003C\u002Ftd>\n      \u003Ctd align=\"center\">25.19\u003C\u002Ftd>\n      \u003Ctd align=\"center\">1.586\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C!-- ROW: CP VTON' -->\n    \u003Ctr>\n      \u003Ctd align=\"center\">CP-VTON* [4]\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.874\u003C\u002Ftd>\n      \u003Ctd align=\"center\">18.99\u003C\u002Ftd>\n      \u003Ctd align=\"center\">1.117\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C!-- ROW: FPAFN -->\n    \u003Ctr>\n      \u003Ctd align=\"center\">PFAFN [6]\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.902\u003C\u002Ftd>\n      \u003Ctd align=\"center\">14.38\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.743\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C!-- ROW: VITON GT -->\n    \u003Ctr>\n      \u003Ctd align=\"center\">VITON-GT [7]\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.899\u003C\u002Ftd>\n      \u003Ctd align=\"center\">13.80\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.711\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C!-- ROW: WUTON -->\n    \u003Ctr>\n      \u003Ctd align=\"center\">WUTON [8]\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.902\u003C\u002Ftd>\n      \u003Ctd align=\"center\">13.28\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.771\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C!-- ROW: ACGPN -->\n    \u003Ctr>\n      \u003Ctd align=\"center\">ACGPN [9]\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.868\u003C\u002Ftd>\n      \u003Ctd align=\"center\">13.79\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.818\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C!-- ROW: OURS PSAD -->\n    \u003Ctr>\n      \u003Ctd align=\"center\">OURS\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.906\u003C\u002Ftd>\n      \u003Ctd align=\"center\">11.40\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.570\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n## Code\nDue to a firm collaboration, we cannot release the code. However, we supply an empty Pytorch project to load data.\n## References\n\n[1] Cao, et al. \"OpenPose: Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields.\" IEEE TPAMI, 2019.\n\n[2] Li, et al. \"Self-Correction for Human Parsing.\" arXiv, 2019.\n\n[3] Güler, et al. \"Densepose: Dense human pose estimation in the wild.\" CVPR, 2018.\n\n[4] Wang, et al. \"Toward Characteristic-Preserving Image-based Virtual Try-On Network.\" ECCV, 2018.\n\n[5] Minar, et al. \"CP-VTON+: Clothing Shape and Texture Preserving Image-Based Virtual Try-On.\" CVPR Workshops, 2020.\n\n[6] Ge, et al. \"Parser-Free Virtual Try-On via Distilling Appearance Flows.\" CVPR, 2021.\n\n[7] Fincato, et al. \"VITON-GT: An Image-based Virtual Try-On Model with Geometric Transformations.\" ICPR, 2020.\n\n[8] Issenhuth, el al. \"Do Not Mask What You Do Not Need to Mask: a Parser-Free Virtual Try-On.\" ECCV, 2020.\n\n[9] Yang, et al. \"Towards Photo-Realistic Virtual Try-On by Adaptively Generating-Preserving Image Content.\" CVPR, 2020.\n\n## Contact\n\nIf you have any general doubt about our dataset, please use the [public issues section](https:\u002F\u002Fgithub.com\u002Faimagelab\u002Fdress-code\u002Fissues) on this github repo. Alternatively, drop us an e-mail at davide.morelli [at] unimore.it or marcella.cornia [at] unimore.it.\n","# 服装规范数据集\n\n本仓库展示了在以下论文中提出的虚拟试穿数据集：\n\n*D. Morelli, M. Fincato, M. Cornia, F. Landi, F. Cesari, R. Cucchiara* \u003C\u002Fbr>\n**Dress Code: 高分辨率多类别虚拟试穿** \u003C\u002Fbr>\n\n**[[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2204.08532)]** **[[数据集申请表](https:\u002F\u002Fforms.gle\u002F72Bpeh48P7zQimin7)]** **[[试穿演示](https:\u002F\u002Failb-web.ing.unimore.it\u002Fdress-code)]**\n\n**重要提示！**\n- 使用 Dress Code 数据集的任何行为均表示您已接受并同意遵守此处[链接](https:\u002F\u002Fgithub.com\u002Faimagelab\u002Fdress-code\u002Fblob\u002Fmain\u002FLICENCE)所列的条款与条件。\n- 该数据集不会向私营企业开放。\n- 填写数据集申请表时，不允许使用非机构邮箱（如 gmail.com、qq.com 等）。\n- 必须提交签署好的发布协议表格（详情请参阅数据集申请表）。未完整填写或未签名的发布协议将不予受理，且不会收到回复。\n\n**申请将每周人工审核一次。如果您未收到回复，说明您的申请不符合相关要求。**\n\n\u003Chr>\n\n请使用以下 BibTeX 格式引用：\n\n```\n@inproceedings{morelli2022dresscode,\n  title={{Dress Code: High-Resolution Multi-Category Virtual Try-On}},\n  author={Morelli, Davide and Fincato, Matteo and Cornia, Marcella and Landi, Federico and Cesari, Fabio and Cucchiara, Rita},\n  booktitle={Proceedings of the European Conference on Computer Vision},\n  year={2022}\n}\n```\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faimagelab_dress-code_readme_0345b8a791c6.gif\" style=\"max-width: 800px; width: 80%\"\u002F>\n\u003C\u002Fp>\n\n## 数据集\n\n我们收集了一个基于图像的虚拟试穿新数据集，由来自 YOOX NET-A-PORTER 不同目录的图像对组成。\u003C\u002Fbr>\n该数据集包含超过 5 万对高分辨率模特服装图像，分为三个不同类别（即连衣裙、上衣和下装）。\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faimagelab_dress-code_readme_00c8d2a385a5.gif\" style=\"max-width: 800px; width: 80%\">\n\u003C\u002Fp>\n\n### 概述\n- 53792 件服装\n- 107584 张图像\n- 3 个类别\n  - 上衣\n  - 下装\n  - 连衣裙\n- 图像分辨率为 1024 x 768\n- 其他信息\n  - 关键点\n  - 骨骼结构\n  - 人体标签图\n  - 人体密集姿态\n\n### 附加信息\n除了模特和服装的图像对之外，我们还提供了关键点、骨骼结构、人体标签图以及密集姿态信息。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faimagelab_dress-code_readme_40b6dd46febb.png\" style=\"max-width: 800px; width: 80%\"\u002F>\n\u003C\u002Fp>\n\n\u003Cdetails>\u003Csummary>更多信息\u003C\u002Fsummary>\n\n### 关键点\n对于数据集中所有的图像对，我们都存储了人体姿态的关键关节坐标。具体来说，我们使用 [OpenPose](https:\u002F\u002Fgithub.com\u002FHzzone\u002Fpytorch-openpose) [1] 提取了每具人体的 18 个关键点。\n\n对于每张图像，我们提供了一个 JSON 文件，其中包含一个名为 `keypoints` 的字典。该键对应的值是一个包含 18 个元素的列表，代表人体的各个关节。每个元素又是一个包含 4 个数值的列表，前两个数值分别表示该关节在 x 轴和 y 轴上的坐标。\n\n### 骨骼结构\n骨骼结构是通过将关键点用线连接起来得到的 RGB 图像。\n\n### 人体标签图\n\n我们采用人体解析模型，将图像中的每个像素分配到特定类别，从而为每位目标模特生成分割掩码。具体而言，我们使用了 [SCHP 模型](https:\u002F\u002Fgithub.com\u002FPeikeLi\u002FSelf-Correction-Human-Parsing) [2]，该模型是在 ATR 数据集上训练的，这是一个专注于时尚图像的大规模单人人体解析数据集，包含 18 个类别。\n\n生成的图像由 1 个通道组成，通道内填充的是类别标签值。各类别的映射如下：\n\n```ruby\n 0    背景\n 1    帽子\n 2    头发\n 3    太阳镜\n 4    上衣\n 5    半身裙\n 6    裤子\n 7    连衣裙\n 8    腰带\n 9    左鞋\n10    右鞋\n11    头部\n12    左腿\n13    右腿\n14    左臂\n15    右臂\n16    包\n17    围巾\n```\n\n\n### 人体密集姿态\n\n我们还利用 [DensePose](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fdetectron2\u002Ftree\u002Fmain\u002Fprojects\u002FDensePose) [3] 从所有模特图像中提取了密集标签和 UV 映射。\n\n\u003C\u002Fdetails>\n\n## 实验结果\n\n### 低分辨率 256 x 192\n\u003Ctable>\n\u003C!-- 表格主体 -->\n\u003Ctbody>\n  \u003C!-- 表头 -->\n    \u003Cth valign=\"bottom\">名称\u003C\u002Fth>\n    \u003Cth valign=\"bottom\">SSIM\u003C\u002Fth>\n    \u003Cth valign=\"bottom\">FID\u003C\u002Fth>\n    \u003Cth valign=\"bottom\">KID\u003C\u002Fth>\n  \u003C!-- 行：CP VTON -->\n    \u003Ctr>\n      \u003Ctd align=\"center\">CP-VTON [4]\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.803\u003C\u002Ftd>\n      \u003Ctd align=\"center\">35.16\u003C\u002Ftd>\n      \u003Ctd align=\"center\">2.245\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C!-- 行：CP VTON+ -->\n    \u003Ctr>\n      \u003Ctd align=\"center\">CP-VTON+ [5]\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.902\u003C\u002Ftd>\n      \u003Ctd align=\"center\">25.19\u003C\u002Ftd>\n      \u003Ctd align=\"center\">1.586\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C!-- 行：CP VTON' -->\n    \u003Ctr>\n      \u003Ctd align=\"center\">CP-VTON* [4]\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.874\u003C\u002Ftd>\n      \u003Ctd align=\"center\">18.99\u003C\u002Ftd>\n      \u003Ctd align=\"center\">1.117\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C!-- 行：FPAFN -->\n    \u003Ctr>\n      \u003Ctd align=\"center\">PFAFN [6]\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.902\u003C\u002Ftd>\n      \u003Ctd align=\"center\">14.38\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.743\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C!-- 行：VITON GT -->\n    \u003Ctr>\n      \u003Ctd align=\"center\">VITON-GT [7]\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.899\u003C\u002Ftd>\n      \u003Ctd align=\"center\">13.80\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.711\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C!-- 行：WUTON -->\n    \u003Ctr>\n      \u003Ctd align=\"center\">WUTON [8]\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.902\u003C\u002Ftd>\n      \u003Ctd align=\"center\">13.28\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.771\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C!-- 行：ACGPN -->\n    \u003Ctr>\n      \u003Ctd align=\"center\">ACGPN [9]\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.868\u003C\u002Ftd>\n      \u003Ctd align=\"center\">13.79\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.818\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C!-- 行：我们的 PSAD -->\n    \u003Ctr>\n      \u003Ctd align=\"center\">OURS\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.906\u003C\u002Ftd>\n      \u003Ctd align=\"center\">11.40\u003C\u002Ftd>\n      \u003Ctd align=\"center\">0.570\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n## 代码\n由于合作关系的限制，我们无法公开代码。不过，我们提供了一个空的 PyTorch 项目用于加载数据。\n\n## 参考文献\n\n[1] 曹等.“OpenPose：基于部位亲和场的实时多人二维姿态估计”。IEEE TPAMI，2019年。\n\n[2] 李等.“人体解析的自校正方法”。arXiv，2019年。\n\n[3] 居勒等.“Densepose：野外环境下的密集人体姿态估计”。CVPR，2018年。\n\n[4] 王等.“面向特征保留的基于图像的虚拟试穿网络”。ECCV，2018年。\n\n[5] 米纳尔等.“CP-VTON+：服装形状与纹理保留的基于图像的虚拟试穿”。CVPR研讨会，2020年。\n\n[6] 葛等.“通过蒸馏外观流实现无解析器的虚拟试穿”。CVPR，2021年。\n\n[7] 芬卡托等.“VITON-GT：一种基于几何变换的图像型虚拟试穿模型”。ICPR，2020年。\n\n[8] 伊森胡斯等.“无需遮挡的部分不必遮挡：一种无解析器的虚拟试穿方法”。ECCV，2020年。\n\n[9] 杨等.“通过自适应生成并保留图像内容实现照片级真实的虚拟试穿”。CVPR，2020年。\n\n## 联系方式\n\n如您对我们的数据集有任何一般性疑问，请使用本GitHub仓库的[公开问题专区](https:\u002F\u002Fgithub.com\u002Faimagelab\u002Fdress-code\u002Fissues)。或者，您也可以发送邮件至 davide.morelli [at] unimore.it 或 marcella.cornia [at] unimore.it。","# Dress Code 数据集快速上手指南\n\n**Dress Code** 是一个用于基于图像的虚拟试穿（Virtual Try-On）的高分辨率多类别数据集。该数据集包含来自 YOOX NET-A-PORTER 目录的超过 50,000 对高分辨率模特与服装图像，涵盖上衣、下装和连衣裙三个类别，并提供关键点、骨架、人体标签图和密集姿态等额外标注信息。\n\n> **注意**：本项目主要提供数据集申请流程及数据加载代码框架。由于合作限制，完整的训练与推理代码未开源。\n\n## 1. 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux (推荐 Ubuntu 18.04+) 或 macOS\n*   **Python**: 3.7 或更高版本\n*   **深度学习框架**: PyTorch (用于数据加载示例)\n*   **依赖库**:\n    *   `torch`\n    *   `torchvision`\n    *   `Pillow` (处理图像)\n    *   `json` (标准库，用于解析关键点数据)\n\n**前置依赖安装命令：**\n\n```bash\npip install torch torchvision pillow\n```\n\n> **国内加速建议**：建议使用清华或阿里镜像源安装 PyTorch 及相关依赖，以提升下载速度。\n> ```bash\n> pip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 2. 安装与数据获取步骤\n\n由于数据集包含版权图片且不对私营企业开放，无法直接通过命令行下载，必须经过人工审核申请。\n\n### 第一步：申请数据集访问权限\n\n1.  访问 **[数据集申请表单](https:\u002F\u002Fforms.gle\u002F72Bpeh48P7zQimin7)**。\n2.  **重要限制**：\n    *   必须使用**机构邮箱**（如 `.edu`, `.ac.cn` 等），不支持 Gmail、QQ、163 等公共邮箱。\n    *   数据集不向私营公司发放。\n    *   必须下载并签署发布协议（Release Agreement Form），**手写签名**有效，电子打字签名无效。\n3.  提交后等待每周一次的人工验证。若未收到回复，说明申请不符合要求。\n\n### 第二步：获取代码框架\n\n数据集审核通过后，您将收到下载链接。同时，您可以克隆官方提供的空 PyTorch 项目框架用于数据加载测试：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Faimagelab\u002Fdress-code.git\ncd dress-code\n```\n\n### 第三步：配置数据路径\n\n将下载并解压后的数据集放置在项目目录中（或自定义路径），确保目录结构包含图像对及对应的 JSON 标注文件（keypoints, label maps 等）。\n\n## 3. 基本使用\n\n官方提供了一个基础的 PyTorch 数据加载框架。以下是如何读取数据集图像对及关键点信息的简单示例。\n\n假设您已按照数据集结构整理了文件夹，以下代码演示了如何解析关键点数据（Keypoints）：\n\n```python\nimport json\nimport os\nfrom PIL import Image\n\n# 配置数据路径\ndata_root = \".\u002Fpath\u002Fto\u002Fdress_code_dataset\"\nsample_json_path = os.path.join(data_root, \"keypoints\", \"sample_image.json\")\n\n# 1. 加载关键点数据 (Keypoints)\n# 每个 JSON 文件包含一个字典，键为 'keypoints'\nwith open(sample_json_path, 'r') as f:\n    data = json.load(f)\n\nkeypoints = data['keypoints']\n\n# 解析关键点坐标\n# 格式：列表包含 18 个元素，每个元素为 [x, y, score, ?] (前两个为坐标)\nprint(f\"检测到 {len(keypoints)} 个关键点\")\nfor i, kp in enumerate(keypoints):\n    x, y = kp[0], kp[1]\n    print(f\"关节 {i}: x={x}, y={y}\")\n\n# 2. 加载图像示例\nimg_path = os.path.join(data_root, \"images\", \"sample_image.jpg\")\nif os.path.exists(img_path):\n    image = Image.open(img_path)\n    print(f\"图像分辨率：{image.size}\") # 应为 1024 x 768\n\n# 3. 人体标签图类别映射参考 (Human Label Map)\n# 0: background, 1: hat, 2: hair, ..., 7: dress, etc.\ncategory_map = {\n    0: \"background\", 4: \"upper_clothes\", 5: \"skirt\", \n    6: \"pants\", 7: \"dress\", 12: \"left_leg\", 13: \"right_leg\"\n}\n```\n\n**数据特征总结：**\n*   **图像分辨率**: 1024 x 768\n*   **关键点**: 使用 OpenPose 提取的 18 个关节点。\n*   **分割掩码**: 使用 SCHP 模型生成的 18 类人体解析图。\n*   **密集姿态**: 包含 DensePose 提取的 UV 映射信息。\n\n如需进一步研究，请参考论文 *[Dress Code: High-Resolution Multi-Category Virtual Try-On](https:\u002F\u002Farxiv.org\u002Fabs\u002F2204.08532)* 并引用相关 BibTeX。","某时尚电商平台的技术团队正致力于升级其“在线试衣”功能，希望让用户上传照片即可预览不同品类服装的上身效果。\n\n### 没有 dress-code 时\n- **试衣效果失真严重**：传统算法在处理高分辨率图片时细节丢失，生成的衣物纹理模糊，无法还原面料质感。\n- **多品类支持受限**：现有模型通常只能针对单一品类（如仅上衣）训练，难以同时兼容连衣裙、裤装等多种版型的精准映射。\n- **姿态适配能力弱**：当用户姿势复杂或非标准站立时，衣物容易出现扭曲、错位，缺乏骨骼关键点和密集姿态数据的辅助校正。\n- **开发数据门槛高**：团队需自行收集并标注海量带有关键点、语义分割掩码的高质量时尚图像对，耗时数月且成本高昂。\n\n### 使用 dress-code 后\n- **高清细节完美还原**：利用 dress-code 提供的 1024x768 高分辨率数据集训练，生成的试衣图清晰锐利，连衣物褶皱与纹理都逼真可见。\n- **全品类一键覆盖**：直接复用数据集中涵盖的上衣、下装及连衣裙三大类共 5 万多组高质量样本，模型迅速具备多品类泛化能力。\n- **复杂姿态自然贴合**：借助数据集内置的 OpenPose 关键点、骨架图及 SCHP 人体解析掩码，算法能精准捕捉人体结构，确保任意姿势下衣物自然垂坠。\n- **研发周期大幅缩短**：团队无需从零构建数据管线，直接申请并使用这套包含稠密姿态与标签图的完整数据，将模型迭代周期从数月压缩至数周。\n\ndress-code 通过提供大规模、高精度且标注丰富的多品类试衣数据，彻底解决了虚拟试衣技术在清晰度、通用性与落地效率上的核心瓶颈。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faimagelab_dress-code_0345b8a7.gif","aimagelab","AImageLab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Faimagelab_a14d20af.png","AImageLab is a research laboratory of the Dipartimento di Ingegneria \"Enzo Ferrari\" at the University of Modena and Reggio Emilia, Italy.",null,"segreteria.aimagelab@unimore.it","aimagelab.ing.unimore.it","https:\u002F\u002Fgithub.com\u002Faimagelab",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,647,78,"2026-04-07T06:55:40","NOASSERTION",5,"","未说明",{"notes":93,"python":91,"dependencies":94},"该项目主要提供数据集而非完整的可运行代码。README 明确指出由于企业合作原因，无法发布核心算法代码，仅提供了一个用于加载数据的空 PyTorch 项目框架。因此，具体的操作系统、GPU、内存及详细依赖库版本均未在文档中说明。使用者需自行构建虚拟试穿模型架构，并参考文中提到的 OpenPose、SCHP 和 DensePose 等工具进行数据预处理。",[95],"torch",[14,15],[64,98,99,100,101,102],"virtual-try-on","computer-vision","deep-learning","artificial-intelligence","eccv2022","2026-03-27T02:49:30.150509","2026-04-09T21:36:23.990680",[106,111,116,121,126,131],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},26774,"我已经填写了数据集申请表，为什么还没有收到下载链接或回复邮件？","申请需要手动审核，通常需要一周时间。如果超过一周未收到回复，请检查以下几点：1. 是否使用了机构邮箱（如大学邮箱），严禁使用 Gmail、QQ 等公共邮箱；2. 是否填写了所有字段；3. 释放协议（release agreement）是否已正确签署（必须是手写签名，打字签名无效）；4. 是否勾选了同意条件的复选框。如果确认无误仍未收到，请检查申请表中填写的邮箱地址是否有误，或直接发送邮件至维护者的机构邮箱（如 davide.morelli@unimore.it）进行查询。","https:\u002F\u002Fgithub.com\u002Faimagelab\u002Fdress-code\u002Fissues\u002F13",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},26775,"申请数据集时常见的被拒绝原因有哪些？","常见导致申请未通过或未收到回复的原因包括：1. 使用了非机构邮箱（例如 gmail.com, qq.com 等）；2. 提交的释放协议表单未签名；3. 提供了打字生成的签名而非手写签名；4. 申请表中的邮箱地址拼写错误。请务必仔细阅读 README 中的要求，修正错误后重新提交申请。团队每周会集中审查和验证请求。","https:\u002F\u002Fgithub.com\u002Faimagelab\u002Fdress-code\u002Fissues\u002F30",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},26776,"我有紧急研究需求，能否只获取少量数据或加快审核速度？","数据集的发放遵循统一的审核流程，无法因个人紧急需求而提供部分数据或跳过审核步骤。如果您已提交申请但长时间未收到回复，首先请自查是否符合所有申请要求（如使用机构邮箱、手写签名等）。若确认无误，可以直接发送邮件至维护者的机构邮箱（davide.morelli@unimore.it）说明情况并请求检查申请状态，但不要期望能直接获取未经审核的数据链接。","https:\u002F\u002Fgithub.com\u002Faimagelab\u002Fdress-code\u002Fissues\u002F28",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},26777,"维护者提到的“机构邮箱”（institutional email）具体指什么？","机构邮箱指的是您所属大学或研究机构的官方邮箱地址（通常以 .edu 或机构域名为后缀），用于验证申请人的学术身份。不接受任何公共免费邮箱（如 Gmail, Outlook, QQ, 163 等）。在申请表中填写的邮箱必须与此一致，否则可能导致申请被忽略或拒绝。如果不确定，请使用您在读学校或任职单位提供的官方邮箱。","https:\u002F\u002Fgithub.com\u002Faimagelab\u002Fdress-code\u002Fissues\u002F16",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},26778,"为什么该项目没有公开代码和模型权重？论文结果可复现吗？","由于该项目早期受到商业合同限制，无法立即公开源代码、权重和完整数据。维护者表示，对于后续不再受商业约束的研究工作，他们已开源了相关代码。对于本项目，如果您急需复现，可以尝试联系维护者探讨合作可能，或者参考该团队发布的其他已开源的后续作品（如 LADI-VTON 等）来获取类似功能的代码实现。","https:\u002F\u002Fgithub.com\u002Faimagelab\u002Fdress-code\u002Fissues\u002F19",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},26779,"提交申请后一直收不到邮件，是否可能是邮箱地址填错了？","是的，这是一个非常常见的问题。许多用户因为填错邮箱地址（例如输错一位数字）而收不到回复。维护者有时会收到针对不存在邮箱地址的退信通知。如果您在垃圾邮件箱中也找不到回复，请仔细核对您在申请表中填写的邮箱地址是否与您的实际机构邮箱完全一致。如果确认有误或仍无回复，请直接使用正确的机构邮箱发送一封新邮件给维护者（davide.morelli@unimore.it）进行人工核查。","https:\u002F\u002Fgithub.com\u002Faimagelab\u002Fdress-code\u002Fissues\u002F23",[]]