Try-on virtual con segmentación de prendas para una marca DTC
Visión general
De qué trata este proyecto.
Recibes 1.200 pares (persona, prenda, persona con prenda) extraídos del dataset abierto VITON-HD más 60 prendas del catálogo real anonimizado de la marca. Construye una pipeline en tres fases: (1) segmentación de la persona y de la prenda en la foto de usuario usando un modelo como SAM (Segment Anything Model) o SCHP (Self-Correction Human Parsing), (2) deformación geométrica de la prenda al cuerpo (TPS — Thin Plate Spline o un módulo aprendido) y (3) un modelo generativo (Stable Diffusion con ControlNet, o un modelo dedicado tipo TryOnDiffusion) que renderice el resultado final. Mide calidad con LPIPS (Learned Perceptual Image Patch Similarity), SSIM (Structural Similarity Index) y un estudio rápido con 15 personas usuarias reales (escala Likert 1-5 sobre realismo). Éxito: puntuación media mayor o igual a 3,8/5 en realismo y latencia inferior a 12 segundos por prenda. Entrega un documento UX/ML de 5 páginas que cubra trade-offs, modos de fallo conocidos (manos, cuellos, estampados complejos) y un plan claro de qué se promete al cliente.
El Briefing
Lo que harás y lo que demostrarás.
Construir un módulo de try-on virtual basado en imagen que alcance realismo medio mayor o igual a 3,8/5 en estudio de usuario y latencia inferior a 12 segundos por prenda.
Earning criteria — what you'll demonstrate
- Combinar segmentación, deformación geométrica y generación condicionada en una única pipeline
- Evaluar calidad visual con métricas perceptuales más estudio de usuario
- Diseñar la experiencia de producto bajo restricciones reales de latencia y de modos de fallo
- Comunicar honestidad sobre lo que el módulo NO debe prometer (estampados complejos, manos)
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosAI Product Designer
Diseñar una experiencia DTC encima de una pipeline generativa, articular trade-offs y modos de fallo es exactamente el día a día de una persona AI Product Designer en moda y comercio.
Este proyecto afina
- product-design
- generative-vision
- diffusion-models
Computer Vision Engineer
Combinar segmentación, parsing humano, deformación geométrica y generación condicionada en una única pipeline es trabajo nuclear de una persona ingeniera de CV en moda y AR.
Este proyecto afina
- semantic-segmentation
- generative-vision
- scene-understanding
AI Engineer
Montar la web demo, servir la pipeline y mantener la latencia por debajo de 12 segundos es el tipo de glue-engineering que los AI Engineers ejecutan constantemente en startups de IA generativa.
Este proyecto afina
- generative-vision
- diffusion-models
- evaluation