电商大模型时代：虚拟试穿技术与行业实践

虚拟试穿技术的推进源于行业发展、消费者需求与商家痛点三大核心诉求，具体可从三个视角展开：

从行业大环境来看，三年疫情直接推动服饰行业从线下向线上转移。2019 年中国服饰线上销售额占整体零售额的 25%～30%，2023～2024 年这一比例提升至 40%，2025 年更是突破 50%，线上购衣已成为主流消费习惯。

从消费者视角来看，购物的便捷性和私密性需求日益凸显。调研数据显示，65% 的女性和 54% 的男性对传统实体试衣间感到不自在、不方便——狭小空间内的脱衣穿衣操作、冬季厚重衣物的繁琐试穿流程，以及公共区域的疾病交叉感染风险等，均降低了线下试衣体验。而用户天然存在查看服装上身效果的需求，因此 AI 试穿被视为服饰线上零售在体验上的'最后一公里'。

从商家视角来看，高退货率是服饰电商的核心痛点。现在有不少买家会做'穿完即退'的操作，尤其是礼服类服饰，穿着新衣服拍照打卡、出席活动后，就无理由退货，导致衣服沾染污渍异味，商家根本无法二次销售。为此，商家想出了用'大尺寸 + 硬质材料'的'巨型吊牌'，来对这种恶意退货进行物理防御。抛开这个梗不谈，普通电商平台的服饰退货率普遍在 25%～60%，内容电商直播场景的退货率更高，部分可达 80%～90%。商家每处理一件退货，平均需付出 15～30 元成本，涵盖物流、包装、折旧、仓储及人工处理等环节，跨境电商业务的成本则更高。此外，'穿完即退'等恶意退货行为也加剧了商家损失，因此行业亟需稳定、可靠的线上试穿技术与产品能力解决上述问题。

虚拟试穿的行业核心难点：用户预期的三层进阶需求

虚拟试穿到底好不好做，行业的核心难点又在哪里？聚焦 C 端场景，虚拟试穿的核心难点集中在用户对技术的三层进阶预期，各层次需求对应的挑战各不相同：

第一层是基础型需求，核心是服装上身效果的精准还原，包括颜色、款式、版型和面料质感。这一层面的难点主要有四：一是用户相册中往往缺乏直接可用的素材，尤其男性用户，难以提供合格的全身或头肩部位肖像；二是试衣算法需保证模特脸部等关键信息不被篡改，尤其是脸部特征，试穿前是什么样子，试穿后核心的面部 ID 信息必须保持一致；三是真实还原与美学增强的平衡'矛盾体'——算法初期优先追求信息还原，但女性用户对美观度诉求强烈，部分用户可接受轻微肖像修改以提升效果；四是试衣模型多基于扩散模型搭建，试穿效果依赖模型储备的世界知识。

第二层是尺码合身需求，这是大众认知里，虚拟试穿最核心的刚需，也是目前实现难度最高的需求，行业内尚无成熟技术方案。从算法层面看，核心瓶颈是尺码错配训练数据的极度匮乏——电商平台买家秀多为合身尺码展示，缺乏'小体型穿大码''大体型穿小码'等这类尺码 mismatch 的完整数据；此外，大量长尾服饰本身存在尺码信息缺失问题，不同品牌、品类的尺码标准不统一，这也是为什么有些店家会建议用户拍大一码或拍小一码。并且，用户对尺码存在个性化偏好，有人偏爱宽松的大码版型，有人则更倾向于合身的小码版型。所以说，尺码合身这个需求，是目前虚拟试穿技术实现中最大的难题，这进一步提升了实现难度。

第三层是突破型需求，即基于用户身材与具体场景的智能穿搭推荐及个性化风格探索。这一层，用户的典型诉求是基于自身身材与具体场景，获得智能穿搭建议，甚至进行个性化的风格探索。比如：用户可以输入自身情况，提出'要参加朋友婚礼该怎么穿搭''出席孩子家长会适合穿什么'这类场景化需求；也可以针对已有单品提问，比如'我有一件这个颜色的上衣，搭什么下装最合适''这条裙子配哪种外套更好看'。这些都是用户在穿搭推荐上的典型诉求。这一需求的实现难点在于：一是模型必需精准理解用户的身材特征，避免推荐不符合体型的服饰，比如不能给体型偏胖的用户推荐短款显壮的衣服；二是做好用户历史偏好建模，准确捕捉用户过往的服饰品味，让推荐更贴合其个人喜好，不能给穿衣风格偏保守的用户推荐过多潮流品牌；三是需要获取并理解'时空人'信息，就像现在 12 月的北京已经入冬，天气寒冷，推荐时就应该优先考虑羽绒服这类御寒衣物。最后，既然要做风格探索，就必须持续投入穿搭知识库的构建，同时积极追踪最新的时尚潮流，这样才能给用户提供前沿且合适的穿搭建议。

虚拟试穿的技术发展历程：从学术起源到行业主流

学术起源与框架演进

虚拟试穿的技术发展历程是什么？从虚拟试穿技术的发展看京东零售技术实践和未来发展方向。

通过文献梳理可以发现虚拟试穿（Virtual Try On）的学术概念最早于 2001 年由日内瓦大学研究人员正式提出，这样早期研究给出了网络环境下基于人体克隆的服装试穿解决方案。采用高度定制化技术，需从特定角度对人体拍照取样，依赖流程化、模块化操作及关键节点定位技术，这就是虚拟试穿技术的学术开端。

2001 年至 2025 年的二十余年间，虚拟试穿技术在学术界的框架演进可分为三个核心阶段：

第一阶段 2001 年至 2013 年，主流方案以 3D 建模、物理仿真及 AR（增强现实）技术为核心；

第二阶段 2017 年至 2022 年，技术路径转向基于 CNN 与生成对抗网络（GAN）的框架；

第三阶段 2023 年起，扩散模型（Diffusion Model）异军突起，此后绝大多数研究都聚焦于这一技术方向，直到现在扩散模型依然是虚拟试穿领域的最主流技术方案。

与此同时，虚拟试穿技术在学术界'绕不开'的四类核心研究文献可归纳为四类：第一类是生成对抗网络（GAN）方向，相关研究主要集中在 2017 到 2022 年，核心都是基于 GAN 技术来实现虚拟试穿。第二类是扩散模型方向，正如之前提到的，2023 年之后这类研究开始爆发，不同的网络结构和试穿任务场景，都能在这个方向找到具有行业影响力的论文。

另外两类分别是视频试穿方向和套装试穿方向。随着单件服饰图像试穿技术逐渐成熟，学术界开始朝着不同维度拓展研究边界，一个是从静态图像延伸到动态视频，一个则是从单件服饰试穿升级到多件搭配的套装试穿。

京东零售虚拟试穿技术的四代演进

而京东零售自 2023 年启动虚拟试穿项目研发，至今已有两年多的积累，期间历经了四代大的技术框架迭代，积累了丰富实践经验：

第一代是非常早期的架构，以 U-Net 作为扩散模型主体，搭配 Reference Net 来实现参考服饰的信息注入。这个框架大家应该比较熟悉，属于 Stable Diffusion 时代的产物，它的扩散模型参数规模不算大，对应的图像生成效果也相对有限。

第二代技术框架将扩散模型主体结构从 U-Net 升级为 DiT，服饰信息特征表示借助 ViT 与 VAE 完成，与 2024 年行业技术趋势同步（Sora 的出现推动行业普遍完成 U-Net 到 DiT 的切换）。这次升级其实和行业趋势同步，2024 年年初 Sora 横空出世，让大家看到了 DiT 作为扩散模型框架的先进性，因此大部分行业机构都在 2024 年上半年完成了从 U-Net 到 DiT 的技术切换。基于第二代技术框架的实践，我们也沉淀了三个比较重要的认知分享给大家。第一，基座模型的架构和容量对试穿效果起到决定性作用。这一点也印证了扩散模型的 Scaling Law，从最初的 1B 模型，到 3B、10B、20B，再到融入 VL 框架后升级至 30B 乃至更大参数规模，模型的生成效果有着肉眼可见的提升。第二，利用 VAE 对参考图像进行编码，能极大提升生成结果的一致性。ViT 的表征更偏语义层面，而 VAE 的训练以重构残差最小为优化目标，更擅长捕捉图像细节。在实际试穿中，若遇到衣服 logo 等细节还原不佳的问题，往往就是因为没有正确使用 VAE 编码器来做服饰特征表征。第三，在这套框架的试穿任务中，无需对参考图进行 prompt 描述，如强行加入文本描述，反而很可能引发图文冲突与对抗。不过这个结论并非绝对，要结合具体技术框架来看，在当前的 DiT+ViT+VAE 框架下，我们是可以剥离文本模块的，但后续融入 VL 模型表征后，文本侧的信息也能发挥相应的价值。

京东零售的第三代虚拟试穿技术，核心完成了从图像试穿到视频试穿的模态升级。目前行业内的视频生成框架尚未形成统一标准，我们可以分享一套可供参考的技术方案：首先将原始视频解析为带 mask 的视频帧序列，以及类似 OpenPose 的'火柴棍'姿态帧序列；再分别对这两类序列进行编码、建模，最终通过 MM-DiT 完成去噪，生成服饰上身的视频试穿效果。

而京东零售最新的第四代虚拟试穿技术，这一代框架最显著的变化，就是完全摒弃了 Mask 模块，全面拥抱 Mask Free 的通用技术架构。与此同时，参考图的表征方式也从原来的纯视觉维度，进化为融合文本模态的多模态统一表征，这里我们引入了 Vision Language Model 视觉语言模型来专门完成参考图的特征提取。基于第四代框架的实践，我们也沉淀了几个关键认知：第一，Mask Free 框架对人物的身份特征、肢体姿态、服饰细节以及配饰元素，都能实现更好的保留效果；第二，该框架彻底摆脱了 Mask 模块可能带来的误差累积，同时大幅降低了工程研发的复杂度。毕竟从研发角度来说，系统模块越简洁，引入连带问题的概率就越低，而 Mask 模块本身会因不同应用场景产生各种 badcase，容易引发新问题；第三，Mask Free 框架可以更好地兼容套装试穿，以及服装与配饰的同步试穿需求。举个简单的例子：在传统 Mask 方案中，需要先 mask 掉用户原有的衣物，再叠加新服饰，可如果用户原本还斜挎着小包，这个包包大概率会随旧衣被 mask 掉，相当于破坏了用户的原始信息，而通过 Mask Free 的技术框架，就能实现'新衣上身，配饰保留'的效果。

技术小结与核心观点

结合虚拟试穿技术发展历程和京东零售的技术实践，给正在做或将要做虚拟试穿的企业或相关产研人员建议，可总结以下核心观点：

一是启动项目前一定要拿到最好的图像生成基座模型，因为模型的世界知识和基础能力，直接决定了整个项目的起跑线。请大家始终相信 Scaling Law，至少在 30B 参数规模以内，这种效应的验证效果是非常清晰的。

二是 Mask Free 技术框架会成为未来的主流方向，大道至简，越简洁的技术路线越正确，如果现在还有同学在 Mask based 方案里摸索，建议果断舍弃那些冗余的模块，尽快拥抱 Mask Free 的通用技术框架。

三是从单件试穿到多件试穿是必然的技术趋势，而且必须要兼顾配饰。在我们看来，'试穿 + 穿搭'才是更具想象力的产品形态。我们现在聊的更多是'穿'的环节，但从产品层面来说，更关键的其实是'搭'的能力。

四是试穿结果的视频化，是用户的核心诉求，这一点毋庸置疑。毕竟线下试衣时，大家都会对着镜子转身、摆动，动态效果才更贴近真实体验。但这需要我们长期攻克推理效率的难题，目前生成一段 10 秒的试穿视频，耗时基本还是分钟级，这样的速度对线上用户体验的影响是比较大的。

五是数据的价值，用于试穿的训练数据，会成为各大电商平台的核心资产。极致的试穿效果，主要依赖于企业的 in-house 数据。我们都知道，数据是大模型的核心，虽然有些从业者为了凸显技术深度，会刻意回避甚至弱化数据的重要性，但事实就是如此。尤其是虚拟试穿这类赛道，每个企业都会建立自己的数据壁垒。同时，随着 AIGC 能力的提升，模型训练早期可以借助 AIGC 数据快速收敛到任务需求，后续再用真实数据校正，就能有效规避 AIGC 生成内容带来的失真。

虚拟试穿的行业实践方案：国内外典型案例解析

而在虚拟试穿的行业实践方案，目前国内外电商大厂已推出多款虚拟试穿产品，覆盖 C 端购物场景与 B 端商家服务场景，各产品特点与局限性各有不同：

首先来看整个行业的发展概况，这里有三组关键数据分享。

第一组数据是 200 亿美元，2025 年全球虚拟试穿平台的市场规模预计将突破 200 亿美元，这其中涵盖图像生成、增强现实（AR）以及 3D 虚拟试衣等多个细分技术方向，而中国市场的规模，预计将占到其中的 50 亿美元左右。

第二组数据是 60 余个品牌，截至今年 12 月，国内已有超过 60 家服装品牌对外宣称具备虚拟试穿能力，覆盖快时尚、运动等多个品类，这些品牌的核心分布区域，也集中在欧美中日韩等时尚消费的核心地带，像 Zara、Nike、Gap、H&M，以及中国的李宁、安踏等，都在其列。

第三组数据是 60%，有机构预测，到 2026 年，全球将有超 60% 的服装品牌采用不同形式的虚拟试穿解决方案，届时，这项技术将从当前的'可选配置'，正式升级为整个行业的'标配能力'。

上方是目前国内外在虚拟试穿领域具备技术储备的部分机构和企业，供大家参考。

国内 C 端购物场景案例分析

逐个拆解虚拟试穿行业里几家互联网大厂的典型实践方案。

阿里 Lookie： 它是一款主打虚拟形象搭配试穿的 AI 娱乐工具。

这款产品的核心特点有两个：一是玩法丰富、搭配自由度高，而且自带很强的分享属性；二是'电子衣橱'的概念很有新意，精准命中了用户多件服饰试穿搭配的潜在需求。

当然，我们也客观地分析一下它当前存在的局限性。第一，Lookie 目前仅支持套装试穿，不支持单件试穿。套装试穿在娱乐场景下确实很有吸引力，但电商平台的用户购买行为更多集中在单件服饰，这就形成了一个明显的场景缺口。第二，它作为淘宝的一款中心化小程序，入口相对较深，导致产品的购物属性偏弱。如何从'好玩'迭代到'好用'，最终实现商业变现，是 Lookie 团队需要重点回答的问题。第三，从试穿效果来看，生成的形象和用户真实身材仍存在一定差异，大家可以去淘宝小程序里亲自体验感受。第四，Lookie 的人物形象建模，在一定程度上依赖于 LoRA 数字分身技术。熟悉这个技术的人应该知道，早期的妙鸭也是这样，需要用户上传十几张个人照片，付费后等待模型训练，才能生成专属数字分身，后续试穿也都基于这个数字分身来完成。但这种技术方案对训练资源的要求较高，算不上是行业内 ROI 最优的选择。不过值得一提的是，Lookie 目前已经开始尝试支持单张图像建模，在降低用户使用门槛上往前又迈出了一步。

淘宝 AI 试穿： 它是一款入口布局激进、功能设计清爽的购物助手。

这款产品的核心特点有两个：第一，它的入口直接设置在搜索双列的商卡上，这个位置的选择相当大胆激进，能最大程度触达购物链路中的用户；第二，它的推理速度较快，试穿效果稳定，产品功能也足够聚焦，整体使用体验十分清爽。

当然，它也存在两处明显的局限性：其一，目前淘宝 AI 试穿仅支持上传用户相册里的全身正面站立照，这个要求对不少用户来说存在使用门槛，而且产品缺乏虚拟形象定制能力，毕竟从相册里找出完全符合要求的照片，并不是一件容易的事。而虚拟形象定制恰恰是降低使用门槛的有效方式。其二，它现阶段只具备单品试穿能力，没有搭载穿搭推荐功能。我们之前提到过，穿搭是试穿场景中非常重要的延展环节。不难发现，阿里的这两款试穿产品在一定程度上形成了互补：淘宝 AI 试穿专注于单件试穿场景，深度嵌入核心购物链路；而它所欠缺的穿搭能力，正好可以由 Lookie 小程序来补齐。

海外 C 端购物场景案例分析

介绍完国内电商平台的试穿产品，我们再把目光转向海外，看看海外的虚拟试穿技术能力。

Google Shopping Try On： 这是一款主打高真实性的购物决策工具。

它的核心特点有三个：第一，具备跨端覆盖的试穿能力，同时支持移动端与桌面端，能满足不同用户的使用习惯；第二，服饰覆盖率极高，几乎涵盖了 Google Shopping 平台上的全量服饰品类；第三，支持用户上传个人照片或使用 AI 模特，而且对用户上传素材的包容度很高，要知道，通常模特姿态越简单，试穿效果越容易把控，但 Google Shopping Try On 即便是面对坐姿、非标准站立等有难度的姿态，也能处理得比较好。

当然，它也存在明显的局限性，这点和淘宝 AI 试穿有些类似，即仅支持单品试穿，暂未开放穿搭组合的试穿功能。

C 端内容电商服务场景案例分析

介绍完货架电商场景下的典型 AI 试穿能力，我们再把目光转向内容电商，这里以抖音的 AI 试穿为例来分析。

抖音 AI 试穿： 是一款主打'直播 + 试穿'的新体验产品。

它的核心特点有三个：第一，与直播场景紧密结合，用户从看到商品到完成试穿的链路快捷又易用；第二，同时支持上传用户真实照片和使用 AI 模特，在一定程度上降低了用户的使用门槛；第三，除了当前入口的商品，还能支持同店铺内的穿搭推荐，正好契合了我们之前提到的试穿延展需求。

这款产品也存在两处局限性：其一，虽然配备了 AI 模特，但这些模特的肖像和用户本人没有关联，更像是一张'平均脸'，用户会觉得是陌生人在试穿，而非自己，体验上会有割裂感；其二，它的其中一个试穿入口设置在商品详情页的尺码助手附近，而目前行业内并没有成熟的技术能支持尺码合身效果的试穿，这就容易给用户造成误导，用户本以为点进来能看尺码是否合适，实际却只能看到服饰上身的基础效果，从产品入口设计的角度来看，还有进一步优化的空间。

B 端商家服务场景案例分析

介绍完面向 C 端的虚拟试穿产品方案，接下来看一个 B 端的典型案例。

阿里绘蛙： 这是一个专门服务服饰电商商家的 AI 内容生成平台。

核心特点有三个：第一，自带海量素材库，涵盖参考图与模特素材，为商家提供了充足的选择空间；第二，同时支持单件与多件服饰上身生成，而且输出素材的分辨率较高，清晰度能满足电商展示、内容种草等多类场景的需求；第三，试穿功能可与平台内其他 AI 工具无缝联动，比如用试穿能力生成效果图后，能直接在平台内调用图像编辑功能进行二次优化，操作流程十分顺畅。

当然，绘蛙也存在一些局限性：一方面，作为 B 端生成式服务平台，它目前的生产效率相对偏低，推理耗时基本是分钟级，暂不支持大量素材的批量生成，这对于有规模化生产需求的商家来说是个不小的遗憾；另一方面，受 B 端的产品定位所限，平台缺少 C 端用户的使用场景，毕竟普通消费者更习惯在手机购物链路中使用试穿功能，而绘蛙的核心用户群体始终是电商商家，主要用于制作商品相关素材。

行业分析小结

结合上述案例，可总结行业实践核心要点，从四方面展开：

第一，B 端与 C 端的定位分化清晰，PC 端或 Web 端聚焦服务 B 端商家，提供模特生成、AI 试穿、素材二次编辑等能力，批量化、低成本生产是商家的核心诉求。如果平台能打通'素材生产—投放—效果验证'的闭环，并将验证结果反馈给模型辅助进化，会成为中小商家的一大福音。而 APP 端或小程序端则瞄准 C 端用户，主打简化操作流程，联动购物闭环以适配移动端的碎片化体验；再次强调，对于 C 端而言，'穿'是刚需，但'搭'才蕴藏着更多产品机会。

第二，入口形态决定产品定位。电商平台的 AI 试穿入口无非两种：第一种是非中心化入口，将试穿能力嵌入购物全流程，比如直接放在每个商品的商卡上，实现'见品即试穿'，核心目标是强化用户的及时决策；第二种是中心化入口，类似阿里 Lookie 的小程序单入口，不依附于具体 sku，能打造独立场景，延伸穿搭推荐、社交分享等功能，让产品从购物工具升级为内容娱乐的社交载体。

第三，通过多元方案降低用户使用门槛。针对用户相册难以找到合格全身照的痛点，行业内普遍采用多种路径打破传图依赖：一是虚拟捏人；二是非标图像兼容，提升算法能力，支持半身照等非标准素材试穿，比如用半身照试穿上衣；三是'大头照 + 身材参数'实现数字形象，以此降低 C 端用户的试穿启动门槛，这些都是值得肯定的产品尝试。

第四，尺码破局需要技术与策略双重保障。单纯依靠算法模型，很难解决尺码合身的试穿问题。行业的可行思路是联动尺码助手、用户试穿报告等策略工具，用'技术生成效果 + 策略辅助决策'的双重模式降低用户购物决策风险，最终实现退货率的下降。

京东的虚拟试穿实践：产品特点与核心经验

京东虚拟试穿产品现状

京东零售虚拟试穿产品目前处于小流量测试阶段，产品主要有四大特点：精准的身材识别、逼真的材质渲染、高效快速的生成、智能的搭配推荐，这也是京东零售虚拟试穿一直持续打磨的产品目标。现阶段产品已覆盖超百万服饰 SKU，实验阶段用户量突破 100 万，覆盖 70 多个服饰类目，合作头部服饰品牌超 500 家。

从具体功能来看，产品设计包括三大核心模块：

一是最左侧图示，商详主图的试穿入口，目前这个入口的设置比较保守，没有像淘宝 AI 试穿那样直接嵌入搜推双列商卡，我们认为在实验阶段，还是尽量避免影响用户原有的购物体验，后续会根据测试效果考虑提升入口优先级。

二是中间三张图示，我们重点探索的同款不同色服装试穿，用户从某一款颜色的服饰（比如图中的粉色羽绒服）进入试穿页面后，可以一键切换同 SPU 下的白色、黑色等其他配色，便捷完成多色试穿对比。

三是最右侧图示，我们正在积极推进的上下装搭配试穿，系统会为入口服饰，比如这件羽绒服，匹配同店铺内的裤子、裙子等下装，让用户直观感受不同搭配的视觉效果。当前我们把搭配候选池限定在同店铺内，从消费者视角来看，打破店铺限制可能会更有吸引力。从技术层面来讲，跨店铺搭配的实现难度也并不大，核心在于业务逻辑的梳理，这需要我们与商家做更深入的调研沟通，明确背后的商业价值后，再考虑进一步的功能升级。

京东虚拟试穿产品实践经验

京东在虚拟试穿项目实践中沉淀下来的三点核心经验：

一是需全力降低用户使用门槛——我们有一组数据可以佐证这个观点，目前线上使用虚拟试穿的用户中，超过半数无法上传符合要求的试穿照片。即便我们在上传页面做了详细的规则引导，用户从相册里找到合规照片的难度依然很高。为此，我们果断加入了数字人模式，采用'真实照片上传 + 虚拟数字人形象'的双轨方案，用户如果找不到合适的照片，或者不愿上传个人照片，就可以输入身高、体重等参数打造专属数字人；若能提供肖像照，数字人会更贴近用户本人，没有肖像照也可以使用默认形象，这是降低用户使用门槛非常行之有效的方法。

二是穿搭场景中，'搭'大于'穿'。正如之前提到的，'穿'是用户的基础性刚需，而'搭'属于突破性需求。但在电商场景下，用户对穿搭的期待其实很高，所以我们一直在积极探索为用户提供多样化的搭配可能性，以此挖掘更多产品价值。

三是试穿效果要兼顾'像'与'美'，二者缺一不可。这一点往往被很多项目组忽略。用户对试穿效果的核心要求是'真、像、美'：'真'是衣服和人物的真实感，不能有明显的 AI 痕迹；'像'是人物 ID、服饰细节、环境背景的精准保留；而'美'常常被忽视，但其实至关重要。我们在算法侧也把评测标准，从最开始的'衣服还原不出错'，升级为'可用率 + 美观度'的多维度评估体系。这里可以举个例子：大家做虚拟试穿，都是希望提升转化率、降低退货率，但如果忽略了'美'的需求，很可能连转化率都会受影响。没有试穿时，用户看商详主图觉得衣服不错就会下单，但 AI 试穿后发现效果不好看，反而会直接放弃购买。这其实是大模型在落地原生 AI 场景时会遇到的阵痛，所以我也呼吁行业同仁，面对这类问题要保持长期心态，用户心智的培养和行业的迭代，都需要一个过程。

京东虚拟试穿未来探索方向

结合行业趋势、实践经验与用户需求我们认为未来值得探索的虚拟试穿产品形态，以下三类产品形态具有较高探索价值：

第一个是万物成套的试穿试戴系统，服饰试穿已经从单件升级到多件，但对于注重 OOTD 的用户来说，鞋子、配饰、包包甚至手机壳，都是穿搭的重要组成部分。我们希望未来能实现全品类的组合式穿搭，打造真正的'万物穿搭'试穿效果。

第二个是数字人虚拟试穿+AI 导购，想象一下，每个用户都有专属的数字人形象，它既可以是你的分身，也可以是你的 AI 导购助手。你在逛商品流的时候，轻触商卡就能把衣服'穿'到数字人身上，同时还能和这个数字人对话，让它帮你推荐搭配，实现 7×24 小时的购物陪伴。这其实也是电商 2.0 时代追求的极致沉浸式个性化体验，我们甚至畅想过一个更极端的场景：用户浏览服饰商卡时，卡面展示的就是自己穿着这件衣服的形象，滑一屏都是专属的上身效果，选款会更直观。不过这种形态需要充分尊重用户意愿，避免造成冒犯，同时也面临着推理资源、生成效率等工程侧的巨大挑战。

第三个是电子衣橱。这个概念虽然已有部分产品提及，但我们认为还有很大的深挖空间。用户可以把已购、收藏的服饰都放进这个虚拟衣橱，系统根据天气、出席场合等场景，为用户提供交互式、陪伴式的试穿搭配建议，真正实现'衣随场景搭'。

从虚拟试穿到全域布局：京东电商 AIGC 能力矩阵

京东电商 AIGC 能力矩阵

从虚拟试衣切入，到更大范畴的电商 AIGC。京东零售在电商 AIGC 领域的能力布局，整体可以分为八大能力板块，全面覆盖商品素材制作、营销推广、用户体验等关键环节。

第一，商品智能抠图。这是所有电商平台最关键、最基础的技术能力，抠图效果的优劣，直接影响后续整条素材制作链路的最终呈现质量。第二，商品素材生成。我们依托 AIGC 技术，实现主图、商详图、广告素材的自动化生成。在技术加持下，内容制作周期大幅缩短，素材迭代效率提升了数十倍。第三，视频生成。从 2024 年开始，视频生成技术的效果已经被大家广泛认可，国内相关技术也实现了大幅跃升。我们主要聚焦主图视频和营销视频两大场景：主图视频时长较短、镜头单一，主打快速展示商品核心卖点；营销视频则篇幅更长、内容更丰富，通常会搭配剧本与口播，用于深度种草和品牌宣传。第四，AI 模特。这项能力不仅服务于服饰场景，也覆盖了众多非服饰品类的素材生成需求。传统模式下，头部商家会邀请明星代言，中型商家则需要对接外部服务商拍摄，不仅成本高昂，还会拖慢商品上新节奏。而 AI 模特能力通过 AIGC 技术，为商家快速生成适配不同场景、不同风格的模特素材，有效降本增效。

第五，虚拟试穿。这项能力不过多赘述了，今天的分享主题基本都围绕它展开，核心是通过 AIGC 技术实现服饰的虚拟上身与搭配，降低用户决策成本。第六，AI 设计家。也可以称之为'放我家'功能，主要服务于家具等大件商品场景。用户上传自家房屋照片后，AI 就能将目标家具植入到真实家居环境中，直观呈现摆放效果；同时还能针对毛坯房、清水房，按照用户需求设计出对应的装修风格，解决家居选购与装修设计的可视化难题。第七，3D 立影。这是京东零售自研的 AIGC 裸眼 3D 技术，能让商品从商卡中'跳脱'出来，以 3D 形态呈现。这项技术能显著提升品牌商品的点击率，以及直播场景下的用户互动率。第八，数字人。相信大家对京东数字人并不陌生，目前已有超 2 万个品牌在使用这项能力，相关场景的转化率提升了 30%。它最直接的价值是实现 7×24 小时数字人直播卖货，打破传统直播的时间限制，持续为商家创造收益。

京东电商 AIGC 实践案例

接下来，选取其中几项能力，展开分享京东零售在业务侧取得的实际成果。

第一个是商品素材 AIGC 生成。这里展示的是一款起泡酒的案例，覆盖商品主图、商详图、卖点图和广告图等全类型素材。目前这项能力已经改变了京东超 100 万商家的内容设计模式，既大幅提升了素材制作效率，又显著降低了制作成本。

第二个是 AI 模特。模特图生成技术正逐步在头部品牌中批量落地，我们过去已与 Nike、阿迪达斯、海澜之家三大时尚品牌达成深度合作。在批量应用阶段，合作品牌的商品转化率提升 29%，商品上架速度提升 90%，同时商品素材制作成本大幅下降。大家现在在这些品牌店铺里看到的部分模特图，正是由我们的 AIGC 技术生成，再结合虚拟试穿能力完成服饰上身的。

第三个是 AIGC 裸眼 3D 技术，立影。这里有 SK-II 和华为耳机两组合作案例，这项技术能明显带动品牌点击率与销售转化率的提升。目前它主要应用于广告投放、家具搭配、直播互动、互动游戏以及试装试戴等场景。

京东电商 AIGC 设计智能体：焕新版京点点 Oxygen Vision

京东零售电商 AIGC 内容生成平台'京点点'整合了上述大部分能力，目前已支持超过 30 种业务场景（覆盖商品发品、运营、营销等环节），日能力调用量超 1000 万次，服务超 100 万京东商家，助力商家内容生产成本降低 90%，生产效率提升 95%。

近期，京点点平台完成系统性升级，焕新版命名为 Oxygen Vision 平台。新版平台和老版最大的差别，一方面是集成了更多的 AIGC 能力项，另一方面则是把交互形式从原来的纯 GUI 交互，升级为 Linguistic UI + GUI 的混合模式。

具体来说，新版平台具备四大核心特点：第一，对话式人机交互，支持纯自然语言的交互方式，操作更便捷；第二，大模型驱动的任务规划与执行，能够拟人式地分步骤、有序完成各项操作；第三，强一致性且不失多样性的商品素材生成能力，确保生成内容既贴合商品属性，又能满足多样化需求；第四，无缝接入京东 AB 实验平台的能力。正如我们之前所说，一个合格的 B 端 AIGC 内容生成平台，必须打通'素材生产—投放—实验回收—模型迭代'的完整闭环，而这一点，新版京点点平台已经完全具备。

电商 AIGC 的未来展望：技术纵深与商业价值

AIGC 应用的三层分类与技术复杂度

最后未来展望，来看电商 AIGC 的技术纵深与商业价值，分享个人观点和思考。

首先，从上图来看，AIGC 的应用分成了三个层次。最底层的是创意类应用，这类应用的自由度高、约束少，核心是满足用户的个性化表达需求，比如短视频平台的魔法表情特效，运营活动需要的 banner 海报、插画设计，都属于这个范畴。往上一层是影视类应用。如果大家了解即梦、可灵、海螺这些视频生成工具，应该会有体感，这类应用的核心是通过 AIGC 实现角色和场景的一致性保持，技术难点也集中在这里。不过说实话，普通消费者对于这类内容的细节一致性，敏感度其实没那么高。而最上层的，就是我们今天一直在聊的电商类 AIGC，这个方向，需要解决海量 SKU 的适配问题，要确保商品信息的准确传递，还要满足实时转化的业务诉求，同时还要应对严格的合规风险。

如果从技术复杂度排序，创意类最简单，影视类次之，电商类堪称地狱级难度。为什么这么说？因为电商 AIGC 对商品一致性的要求是极致严苛的，哪怕是一个细节的偏差，比如裙子本该没有花边，生成的素材里却加了花边，用户收到货发现'货不对版'，就可能引发客诉，甚至是官司。这和影视类的一致性要求完全不是一个量级，更别说创意类的开放创作模式了。但有意思的是，这三类应用里，电商类 AIGC 恰恰是距离商业化、距离'钱'最近的。做了这么久的 AIGC 应用，有一个很直观的体感：有两类应用场景是可以直接实现变现的。第一类，就是影视类 AIGC。这个很好理解，举个例子，拍摄《速度与激情》时，要呈现兰博基尼和法拉利相撞的画面，在没有 AIGC 技术之前，这样一个镜头的成本可能高达上百万；而现在，依托可灵、即梦这类视频生成工具，成本有可能直接降到几百美金。无论是文本生成视频、图像生成视频，还是首尾帧驱动的视频生成技术，都能支撑这类特效镜头的制作。更值得一提的是，现在很多视频生成能力还叠加了音画直出功能，这让电影级别的多媒体内容高效输出，变得越来越有可能。第二类，就是电商与商业化 AIGC。这里我们暂时不做细致区分，核心逻辑很简单：我们用 AIGC 生成的电商素材，是直接供商家用于商品运营和投放的，最终指向的就是 GMV 的增长，这是最直接的收益。商业化场景也是同理，通过 AIGC 制作广告素材，直接面向广告主和用户，素材投放后带来的广告消耗，直接对应着平台的营收。所以在我看来，电商与商业化 AIGC，是现阶段离'钱'最近的应用方向。这就是个人对整个 AIGC 行业应用落地的一些理解。

未来展望

最后，再分享三个总结性的观点。

第一，从技术角度来看，像虚拟试穿这类垂直业务，未来不会再依赖专属定制模型。一个明确的技术趋势是，越来越多的电商 AIGC 任务，会统一到通用大模型框架之下，就像 nano banana pro 这类架构一样，用户只需要在 prompt 层面定义好业务需求，就能完成相应任务。只不过现在还有不少虚拟试穿方案，还停留在定制化思路上，这个转变需要一个过程。

第二，想和所有 AIGC 创业者、以及大厂里做 AI 提效的同学聊一句：不是所有业务都需要升级到 LUI（对话式交互）的形式。有些功能用 GUI（图形界面）来承载，体验反而会更好。不要觉得套上 LUI 的壳，就是做了 AI native 的升级，很多时候这种做法反而属于'故弄玄虚'。这两年大家应该也见过不少