把下面图片中的衣服，换到视频里的模特身上，你需要分几步走？
爱奇艺AI团队的答案是“一键换装”。
近日，国际AI顶级会议CVPR 2022公布了最新论文入选结果，爱奇艺AI团队的论文《ClothFormer: Taming Video Virtual Try-on in All Module》以Oral Presentation（口头报告论文）入选。论文研究的目标就是通过图像生成模型，把图片里的衣服，穿到视频中的人物身上。
CVPR（Computer Vision and Pattern Recognition）由IEEE主办，是计算机视觉领域的三大顶会（CVPR、ICCV、ECCV）之一。CVPR代表着AI学术领域的世界前沿水平。今年最终有2067篇论文被接收，接收率约为25%，Oral接收率更是不到5%。
爱奇艺AI团队的这篇论文提出了ClothFormer算法，并提出了业内首个基于真实场景的视频虚拟试穿数据集iQIYI-VVT，不仅能够更真实、自然地完成“虚拟换装”，也为业内深入研究该技术提供了丰富的数据支持。
有了爱奇艺这项技术，观众足不出户试穿影视剧同款、全世界潮流服饰的愿望指日可待。
虚拟换装≠软件修图
把图片里的衣服换到人身上，这项操作似乎和软件修图类似，实际上两者相差甚远。
假如给一支时长1分钟视频里的人换装，即使每秒只有25帧，也需要修改1500张图片，若是人物动作复杂、遮挡物多的视频，全部修改完也不一定能流畅播放。
这与“视频虚拟换装”的三大关键点有关：一是精准地把款式衣服变形，使其贴合模特动作，二是把衣服“穿”到模特身上，三是使生成的视频看上去够流畅。每个关键环节都存在众多难点，比如衣服变形不够精准，视频里的人物被遮挡或动作复杂，生成的视频不稳定，加上现有真实场景的数据集不足，很难准确理解复杂场景……这些问题都导致衣服无法“穿”到人身上。
为了解决“虚拟换装”面临的技术问题，爱奇艺AI团队提出ClothFormer算法，该算法重新对视频虚拟试穿框架进行了创新，有效改善了遮挡、视频稳定性等问题，降低了复杂姿态和复杂场景的挑战，换装后的视频也更加自然。（了解ClothFormer算法详情可访问：https://cloth-former.github.io/）
ClothFormer算法让“虚拟换装”走进真实场景
未来，在爱奇艺拍摄短视频，用户任意拿一张衣服的照片，或者影视剧剧照，就能给自己一键换装，真正实现“穿衣自由”。“虚拟换装”还可以用在虚拟制作中，比如拍摄结束后演员需要更换服装，通过虚拟换装技术给自动给演员更换，可以节省重新置景、拍摄的时间和成本。
近年来，“虚拟换装”成为热门研究领域，在CVPR等众多计算机视觉顶会中，越来越多的相关文章被收录。随着技术的进步，研究者们逐渐从小尺寸图片演变到高清图片以及视频的虚拟试穿，但大多仍限定在特定场景中，背景、姿态都比较简单，在真实场景上难以真正应用起来。ClothFormer算法则让“虚拟换装”进一步从实验走向真实场景。
