大多数 AI 试穿工具解决的是姿势。更难的问题是衣长、垂坠感和比例——中长裙是否还是中长，超大廓形衬衫是否仍然显得宽大，及地的下摆是否还在画面之内。本页说明 GridShot 为此做了什么，以及它做不到什么。
每张发布图片 1 美元 · 无需订阅 · 赠送 10 美元起始额度
不是因为图片看起来糟糕，而是因为它们看起来很合理。
当图像模型把中长裙渲染成及膝长度时，画面里没有任何东西会提示这个错误。光线对、姿势对、面料也对。只有了解这件商品的人才会注意到——通常是收到货之后的顾客。
生成模型见过的中等衣长、常规版型服装，远多于及地款或刻意宽大的款式。在没有指令的情况下，它会向那个中间值靠拢：超大廓形被还原成常规，短款变成标准，本该在地面上堆叠的下摆，则整整齐齐地停在脚踝处。
平铺图和假人台图能忠实地传达颜色、印花与做工。它们传达不了的是衣服穿在身上时如何垂落。如果这是唯一可用的参考，垂坠感就不是被传递过来的——而是被凭空编出来的。
GridShot 按固定的来源顺序为每件商品确定衣长和版型。第一个能给出答案的来源胜出。
每件商品上的可选字段——衣长、版型，以及自由文本的版型备注——由你自己在应用里填写，或在店铺导入时映射进来。任何分析步骤都不会写入这些字段。只要它们有值，就会覆盖下面所有来源。
如果你上传了这件衣服穿在真人身上的照片，视觉分析会从那张图片中读出比例：它实际有多长、如何垂坠、下摆在哪里结束。来自真实照片的证据，胜过对一张平铺商品图的解读。
上传时从你的商品照片中自动识别出的衣长和版型。作为默认值有用，但出错的频率足以解释上面两个来源为什么存在。
如果没有任何来源能给出答案，就完全不添加比例规则。系统不会为了填补空缺而自己编一个——空字段被视为未知，而不是「常规」。
指令的措辞取决于它的来源：你自己设定的值，会作为不得被归一化的规则传递下去；而自动识别出的值，则作为强烈的保留信号传递。错误的品牌设定值比没有更糟——正因如此，除了你之外没有任何东西会填写这些字段。
六个机制，全都是在图像模型生成过程中施加给它的约束——而不是事后应用的过滤。
确定下来的衣长、版型、廓形和下摆表现，会作为明确的保留规则附加在生成请求上：这是既定的衣长，不要缩短或加长；这个版型是有意为之，不是瑕疵。没有这些，比例就只能由参考照片隐含表达——而隐含正是会发生漂移的地方。
品牌设定的衣长和版型字段取值来自一个封闭列表，另有自由文本备注，用于承载列表装不下的内容。没有任何自动步骤会写入它们，所以你设定的值就一直是你设定的值。来自已连接店铺的值同样算作品牌事实，因为店铺字段是由人维护的，而不是模型猜出来的。
被标记为上身视角的商品照片——正面、背面、侧面或造型图——会被识别为版型参考，而不只是又一张商品视图。它们在发送给模型的图片中被优先使用，并按其本来的作用被描述：这展示了衣服穿上身时的版型，请匹配衣长、垂坠感、廓形，以及下摆或袖口在身体上结束的位置。这同样适用于单图生成，而不只是网格。
实拍上身参考图里出现的，几乎总是与你选定模特不同的另一个人。请求中会明确说明这一点：完全忽略那个人——面孔、发型、肤色、身材——同时忽略他们身上穿着的其他所有衣服；只取这一件衣服，并且只取其中的版型、衣长、垂坠感、廓形和比例。输出中的人物永远是你的模特。
被裁出画面的下摆无法被判断。及地和超长款服装、会堆叠或盖住鞋子的下摆，以及任何包含鞋子的搭配，都会强制使用从头到脚的取景——让那个决定成交的服装部位落在画面之内，而不是画面下边缘之外。
除了常规商品视图，你还可以附加专门的上下文图片：版型参考、面料样布、细节特写、颜色参考——其中版型图优先级最高。一次生成请求只能携带有限数量的图片，因此当参考图多于能容纳的数量时，它们会在各件服装之间分配，而不是让某一件占满全部配额。在任何一件服装拿到第二张图片之前，每件服装都会先保住自己的版型参考图。
版型精准度不是某一个工作流的功能。五条试穿路径全都会经过它。
这比听上去更重要。只在第一张图片上成立、一到精修网格或修改某个细节就失效的一致性，并不是一致性——那只是良好的第一印象。
虚拟试穿总览这些失效方式，值得在发布之前就知道，而不是之后。
这套系统里没有任何尺码表、身体测量数据或厘米数。这里说的版型精准度，指的是生成的照片忠实于你自己的参考素材所呈现的比例。它不是版型预测，不是尺码推荐，也不能取代你商品页上的尺码表。
当版型参考图上的衣服穿在别人身上时，去掉那个人的指令是明确的——但仍然不完美。痕迹可能残留。在发布基于实拍上身参考图生成的图片之前，请检查面部和手部。
一次生成请求只能携带有限数量的图片，而哪些能进入请求由优先级决定，不是由上传顺序决定。同一件衣服的四十张照片，不会有四十张进入请求。请挑选真正带有信息的那几张：一张清晰的商品视图、一张实拍上身照、一张背面图。
如果重要的印花、接缝或细节位于衣服背面，一张正面参考图不能给模型任何依据。请上传背面视图。这是细节出现在错误一侧最常见的原因。
上传时从你的照片中读出的衣长和版型可能是错的，而错误的值随后会传播到这件商品的每一次生成中。品牌设定字段正是为这种情况而存在：一次修正就能永久取代那个猜测。
它指的是生成的照片保留了服装真实的比例：中长裙还是中长，超大廓形衬衫仍然显得宽大，及地的下摆真的到地面，并且落在画面之内。这是关于图片在多大程度上忠实再现你参考素材中可见比例的说法——而不是关于某位顾客该下单哪个尺码的主张。
来自三个按固定顺序排列的来源：你在商品上设定的衣长和版型，然后是从展示衣服穿在真人身上的照片中读出的比例，再然后是上传时从商品照片自动识别出的值。如果三者都没有答案，就完全不施加衣长规则，而不是用一个猜测值。
可以，而且这正是设想中的工作方式。每件商品都有可选的衣长、版型和版型备注字段，由你自己填写。没有任何自动流程会写入它们，因此你设定的值会一直保留，并优先于任何识别出的值。从已连接店铺导入的商品，可以把这些字段从店铺数据中一并带进来。
不需要，但这是能做的最有效的单项提升。平铺图展示颜色和做工；实拍上身照展示垂坠感以及下摆结束的位置。把它标记为上身视角，它就会被当作版型参考并被优先使用，同时穿着它的那个人会被明确排除在输出之外。这张照片不需要专业——它需要真实。
是的。单图生成、姿势网格、网格精修、以完整分辨率交付某一张，以及标注编辑，全都会经过同一套版型处理。这是刻意为之：AI 摄影里常见的失败不是第一张图片，而是第四张开始偏离它。
我们不给出数字，而且任何人在没有看过你的目录的情况下就为它给出一个数字，你都应该保持怀疑。站得住脚的是机制：由「实物和图片不一样」引发的退货，会因为摄影错误呈现衣长和版型而变多，也会因为摄影不再出错而变少。请把准确的版型呈现看作消除了一个已知的退货原因，而不是一个已测量到的降幅。