O M&M VTO é um método de prova virtual de roupas mistas que recebe como entrada várias imagens de roupas, uma descrição textual do layout das roupas e uma imagem de uma pessoa, gerando como saída uma visualização dessas roupas vestidas na pessoa, no layout especificado. As principais vantagens da tecnologia incluem: modelo de difusão em uma única etapa, sem necessidade de cascata de super-resolução, capaz de misturar e combinar várias peças de roupa em resolução 1024x512, preservando e distorcendo detalhes complexos de roupas; o design de arquitetura (VTO UNet Diffusion Transformer) permite separar a remoção de ruído e características específicas da pessoa, permitindo uma estratégia eficaz de ajuste fino para preservação da identidade; controle do layout de múltiplas peças de roupa por meio de entrada de texto, especialmente ajustado para tarefas de prova virtual. O M&M VTO alcançou desempenho de ponta, tanto qualitativa quanto quantitativamente, abrindo novas possibilidades para a prova virtual guiada por linguagem e com múltiplas peças de roupa.