M&M VTOは、複数の衣服画像、衣服配置のテキスト記述、人物画像を入力として受け入れ、指定された配置で指定された人物に衣服を着せた視覚化結果を出力する、混合コーディネートのためのバーチャル試着手法です。この技術の主な利点としては、以下の点が挙げられます。単一ステージの拡散モデルを用いることで、超解像度カスケードが不要になり、1024x512解像度で複数の衣服を混合コーディネートしながら、複雑な衣服のディテールを維持・変形することができます。VTO UNet Diffusion Transformerアーキテクチャにより、ノイズ除去と人物固有の特徴を分離し、効率的なアイデンティティ保持微調整戦略を実現しています。テキスト入力によって複数の衣服の配置を制御し、バーチャル試着タスク向けに特化して微調整されています。M&M VTOは、定性的にも定量的にも最先端の性能を達成し、言語による誘導と複数アイテムの試着に新たな可能性を切り開きます。