Page 119 - 《软件学报》2026年第5期

1998 软件学报 2026 年第 37 卷第 5 期

平台的情况下, 如图 7 所示, 虽然可以生成具有真实感的成果, 但也难以在一些规律的图案、细节上完全生成准确
的纹理. 此外, 大多数技术方案难以保留人脸身份和身材维度信息等个性化信息, 如体型、四肢比例, 容易在面向
用户的虚拟试衣应用中造成割裂感, 降低试穿效果的可信度. 在一些方法借助三维参数人体模型信息的情况下, 由
于模型主要对人体表面进行建模而非服装, 生成结果倾向于产生类似贴身衣物的效果. 同时, 在人物穿着宽松衣物
的情况下, 现有方法也难以产生自然、物理上合理的褶皱和光影.
5.1.2 复杂场景生成
一些方法通常通过 DeepFashion [107] 等背景单一的数据集进行训练, 而专注于解决复杂背景不稳定问题的方法,
通过前后景的解耦以及背景的修复单独对背景进行了处理, 在静态的生成结果上产生了稳定的效果. 在视频生成
下, 一些方法也通过跟踪来解决相机视角的移动以及背景的移动. 但它们是基于全局的移动或是关键点的粗略的
运动, 而在存在多人运动的、需要人物与背景交互的或是背景存在复杂个体运动的场景却研究较少, 在一定程度
上限制了相关技术在复杂场景中的应用.
5.1.3 模型的实时性能
随着虚拟试穿、游戏和视频生成等实际应用对实时性的要求提高, 现有模型的推理速度仍不足以满足商业需
求. 如何在保证生成质量的前提下, 优化模型架构和计算流程 (如轻量化设计、知识蒸馏) 也是未来的关键挑战
之一.
5.2 技术发展趋势
面对姿态控制生成技术的现有挑战, 未来的发展趋势可以从模型能力的提升、生成模型的扩展以及实时性和
效率这 3 个方向展开. 技术的不断演进, 不仅能够解决当前的技术瓶颈, 还将进一步拓展其在虚拟试穿、影视娱乐、
广告创作以及社交平台中的实际应用潜力.
5.2.1 模型能力的提升
逼真的姿态控制生成技术是未来可探索的关键方向之一. 目前, 技术在保留外观信息和布料质感方面存在局
限, 特别是在视频生成领域, 对于人物服饰动态运动的真实感表现 (例如宽松衣物的褶皱和拖曳效果) 仍然不足.
此外, 在生成细节方面, 如服装配饰的独立编辑或肢体的精确控制 (例如手部的具体动作或肩部姿态的调整), 现有
方法的可控性还有待提高. 通过结合深度信息或三维参数模型, 生成器可以更准确地捕捉复杂场景中的布料动态
和精细部件控制. 例如, 利用 DensePose [26] 等技术提取的三维人体特征, 有助于在生成过程中解决遮挡问题, 并生
成更自然的姿态和动作. 同时, 三维参数模型的优化可能进一步增强人物与环境之间的交互建模能力, 这在虚拟试
穿和影视制作中具有重要的应用前景.
在高分辨率生成方面, 尤其是在广告和影视制作领域, 需求日益增长. 一些方法通过分层生成器从低分辨率逐
步优化细节, 以平衡生成质量和计算效率. 然而, 如何在更高分辨率 (如 8K) 下同时实现性能和细节表现, 仍是一
个关键挑战. 此外, 减少数据需求对于实际应用至关重要. 无监督学习和数据增强技术可能通过减少对标注的依赖
和扩展样本多样性来提升模型的泛化能力, 但这些方法在复杂场景中的实际效果仍需进一步研究和探索.
5.2.2 模型生成的实时性
实时性的优化是姿态生成技术向实际应用迈进的关键挑战之一. 在商业应用场景, 如虚拟试穿和游戏互动等
领域, 对生成速度有着极高的要求. 目前, 许多生成模型在推理速度和显存需求方面存在瓶颈, 难以达到实时交互
的标准. 为了解决这一问题, 可以采用知识蒸馏和模型剪枝等轻量化设计方法, 这些方法能够有效减少模型的计算
负担, 从而提升推理速度和效率. 此外, 通过并行计算技术和分布式训练框架的应用, 可以显著提高多模态生成任
务的处理效率, 这对于支持更复杂的实时交互场景至关重要.
5.2.3 多模态生成模型
多模态生成模型为姿态控制生成带来了更多的可能性. 通过引入语音、文本等多模态数据, 生成任务可以变
得更加灵活. 例如, 用户通过语音或自然语言描述, 可能实现对人物动作和情感表达的细致控制. 这种多模态输入
方式不仅能够提升生成内容的多样性, 还为虚拟社交平台和创意内容生成提供了新的交互方式. 在应用层面, 姿态