Oxygen-TryOnは、あらゆるアイテムに対応するバーチャル試着のための新しい基盤モデルであり、従来の試着システムが単一カテゴリーや衣服に限定されていた限界を打ち破ります。汎用画像編集ツールを流用した手法とは異なり、Oxygen-TryOnはデータからトレーニングまで試着タスクに特化して構築されており、まさに「ファッション・ネイティブ」です。このモデルの中核となる革新は、「マルチ参照理解駆動型生成」フレームワークです。1つ以上の参照アイテム（製品写真や日常の着用写真）と1枚の対象人物画像が与えられると、Oxygen-TryOnは人物がそれらのアイテムを着用したフォトリアルな画像を合成します。全身・半身ビュー、可変数の参照、複数アイテムの自由な組み合わせなど、さまざまなシナリオに対応し、人物のアイデンティティとアイテムの外観を忠実に保持します。
この強力な能力を実現するために、研究チームは高品質な試着データを大規模に収集・生成・アノテーション・フィルタリングする専用データエンジンを構築しました。トレーニングは3段階で行われます：継続事前学習（CPT）、教師ありファインチューニング（SFT）、強化学習（RL）。RL段階では、内部試着報酬モデルと専用ルールベース汎用モデルを組み合わせたハイブリッド報酬モデルを採用し、細粒度の一貫性と命令レベルの品質を共同で監督します。これにより、基本的な試着に加えて、ポーズ変更などの一般的な編集指示にも従うことが可能です。
公開ベンチマークと内部構築のOxygen-TryOn Benchにおいて、本モデルはシングルアイテム試着で最先端の一貫性とリアリズムを達成し、マルチアイテム試着でリーダーとなりました。Nano Banana Pro、GPT-Image-2、Seedream5 Liteなどの主要なプロプライエタリシステムや、FLUX.2などのオープンソースモデルと比較しても、匹敵または凌駕する性能を示しています。Oxygen-TryOnはバーチャル試着の新たなベンチマークを打ち立て、その汎用性と高性能により、電子商取引やファッションデザインなどの分野で重要な役割を果たすことが期待されます。