日常生活中存在着各种各样的场景，比如参加晚会、海边度假、跑步、登山、垂钓等等。场景可以认为是在一些维度上相似的元素所构成的情境画面，不同场景会有不同的氛围、组成元素。穿搭场景是一类重要的场景，这个场景要求有美感、时尚感且对穿搭有较强的需求。如下图：站内现有服饰搭配
搭配分类有关于服饰搭配可以分为以下三类：1、服装与服装之间的搭配，比如上装与下装等；2、服饰与饰品的搭配；3、服装、饰品与人的搭配，主要涉及用户的年龄/职业/生活场景等。搭配原则服饰搭配会有以下几个基本原则：1、搭配的服饰要有品位，这表示组成搭配的单品要有美感；2、色彩重要性远大于款式和面料；3、视觉平衡能带给人更好的感觉，视觉平衡感指感觉上的大小、轻重、明暗以及质感的均衡状态；4、善用饰品，能增添光彩。搭配难点搭配需要考虑的有许多，大致可以分为以下几点：1、不同的季节、月份，流行的单品不一样，时尚及流行趋势也所变化；2、搭配单品在外观上受到颜色、款式等的影响，在物理上受到材质、面料的影响；3、每个人的身材不一样，而且个性偏好各有不同；4、在电商场景下(搜索/推荐等)，以什么样的产品形态，将搭配展现给用户。搭配技术基于个性化场景导购算法分2步实现个性化搭配推荐：第一步，我们从图像上给出单品服饰之间的搭配关系；第二步，利用用户在全网行为（点击、加购、购买等）或者用户Profile、偏好，个性化生成搭配并推荐给用户。搭配方案如下图：
商品特征属性提取
搭配关系构建
搭配套餐
个性化场景导购项目延伸方案
概念：一个可解释的模型，比如该套搭配中单品的颜色是否相搭、款式是否相搭。这就意味着，对于实际的搭配系统。
上图为Composition Graph大概意思：通过构建模型可得出对应单品的搭配套餐，每个类目能够召回的单品数控制生成套餐的时间复杂度。
个性化搭配生成推荐
Composition Graph
Chapter 7 个性化搭配生成推荐&实验上线
方案
相关调研
Chapter 2 业界现状
搭配生成/推荐
Chapter 4 服饰提取&Finer-Net
Chapter 5 搭配关系构建&切分
服饰（衣/裤）提取
业界现状
上图为Finer-Net，大概意思：第1阶段首先分割出前景人物区域，下一阶段将原始的输入图片以及上一阶段的结果作为输入，以得到每个像素更细粒度的标签（根据实际需要，控制输出的标签的数量）。比如衣服、裤子等，第3阶段输出更细的标签。
Finer-Net
Chapter 6 Composition Graph
模特图
切分对抗模块
概念：时尚领域-->“计算机视觉”应用领域，服饰检索与推荐、服饰分类、属性预测、以及服饰时尚分析怎么做：算法上通过搭配部件可替换关系，扩展搭配的数量。
运营搭配
背景
上图为切分编码网络大概意思：确认商品属性（比如纹理、风格等），将不同属性进行独立分割后构建最佳搭配关系。
Chapter 3 相关调研&基础方案
基于个性化场景导购逻辑基础对已生成的搭配进行个性化推荐。
实验
概念：一种构建搭配关系的模型，对于每个类目（每个单品对应一个类目）首先根据颜色编码，将所有单品聚成个类中心，接着对每一类，根据形状编码，将属于该类的单品聚成个类中心；最后对每一类，使用剩余编码聚类得到个类中心。
模特服饰提取
切分编码网络
属性切分模块
站内现状：1.搭配量有限 2.不够个性化，可逛性较差 3.RIO不成正比，且人力投入大 4.导购能力&权威性不够我想做：创建一个个性化的搭配库+权威性强导购（含达人及搭配市场）
Chapter 1 背景
概念：human parsing是指将一幅人物图像（比如模特图等）分割成不同的部分，即将每个图像像素归为一类，比如上衣、下衣、头发、腿等。概念：human parsing更细的过程演变-->Finer-Net(共分3个阶段）。内容有点复杂，具体参考下图，比较专业，目前还在理解阶段。
