M&M VTO ist eine Methode zum virtuellen Anprobieren mit Misch-und-Match-Funktion. Sie nimmt mehrere Kleidungsstücke, eine Textbeschreibung des Kleidungslayouts und ein Bild einer Person als Eingabe entgegen. Die Ausgabe ist eine Visualisierung dieser Kleidungsstücke an der angegebenen Person im festgelegten Layout. Zu den Hauptvorteilen dieser Technologie gehören: ein einstufiges Diffusionsmodell ohne Notwendigkeit einer Superauflösungsverkettung, das mehrere Kleidungsstücke in einer Auflösung von 1024 x 512 mischen und kombinieren kann, während gleichzeitig komplexe Details der Kleidung beibehalten und verformt werden; eine Architektur (VTO UNet Diffusion Transformer), die Rauschunterdrückung und personenspezifische Merkmale trennt und eine effiziente strategie zur Identitätserhaltung beim Feintuning ermöglicht; Steuerung des Layouts mehrerer Kleidungsstücke über Texteingabe, speziell für die Aufgabe des virtuellen Anprobierens feingetuned. M&M VTO erreicht sowohl qualitativ als auch quantitativ einen Stand der Technik und eröffnet neue Möglichkeiten für sprachgesteuertes und mehrteiliges virtuelles Anprobieren.