M&M VTO是一種混合搭配的虛擬試穿方法，它接受多張服裝圖片、服裝佈局的文本描述以及一個人的圖片作為輸入，輸出是這些服裝在指定佈局下穿在給定人物身上的可視化效果。該技術的主要優點包括：單階段擴散模型，無需超分辨率級聯，能夠在1024x512分辨率下混合搭配多件服裝，同時保留和扭曲複雜的服裝細節；架構設計（VTO UNet Diffusion Transformer）能夠分離去噪和人物特定特徵，實現高效的身份保留微調策略；通過文本輸入控制多件服裝的佈局，專門針對虛擬試穿任務微調。M&M VTO在定性和定量方面都達到了最先進的性能，併為通過語言引導和多件服裝試穿開闢了新的可能性。