网购一件衬衫，屏幕上是干净的奶白，拆开袋子偏黄。你打开试衣，把自己和那件衬衫合成一张图，看着挺顺；衣服真穿到身上，袖子短了一截，肩线也往下掉。
有了这张图，你会以为「试过了」。可屏幕上的那张，和身上这件，往往不是同一件事。
问题不在「准不准」这个问法。虚拟试衣从输入到出图，中间过了好几道工序，每一步都在替你补信息。补得好看，不等于补得对。先把这几步拆开看，才知道哪一部分能信。
一张照片进来，中间要过几道工序
Whalecalculate 上那篇讲原理的文章，把生成式的流程拆成三段：先做人体姿态估计，识别出 17 到 18 个关键关节点；再把衣服从商品图里分割出来，提取纹理、识别类别；最后交给扩散模型，重新画一张你穿着它的图。
最后这一步是关键。模型不是把衣服「贴」到你身上，而是照着你的姿势和那件衣服的样子，重画一遍。文章列的三条难处也都出在这一段：衣服一上身，褶皱、垂感和面料弹性全变了；手臂、腰部会把衣服挡住，得算清楚谁盖住谁；衣服上的图案和颜色还得在重画中保持一致。这几件事模型在训练时见过无数次，于是自己补一个合理的。厂商在页面上写「上传一张照片，30 秒后就能看到自己穿着某件衣服的效果」，说的是这条路的速度，不是它的准确度。
3D 建模是另一条路，代价落在衣服那一侧
Style3D（凌迪科技）讲的是另一种做法：先给衣服做出三维模型，有版型、有厚度，再套到你身上去算垂坠。它的站点写得很直白——「通过精准的3D建模和图像处理技术」，让效果尽量接近真实试穿。
这条路少了「画」的成分，但成本不是零：每件衣服、每个尺码都要建模，衣服换季上新，模型也得跟着做。Whalecalculate 那篇文章在介绍生成式之前也承认，传统 3D 建模「精度高但成本极高，普通消费者无法使用」。所以两条路的账不一样：一条摊在商家建了多少款、多少个尺码上，一条摊在每次生成的算力上。你能看到的是效果，背后是这两本不同的账。挡住身体的部位一样要补，只是补的规则从生成模型换成了几何计算。
它答不了的，是颜色、垂坠和尺码
颜色是第一个。同一件米色针织衫，在店里暖光下偏黄，在窗边白天下偏灰；合成图里的颜色还要再叠一层手机的显示。你拿它定颜色，等于在两个误差上做选择。
垂坠和厚薄是第二个。屏幕上只有一层像素，看不出这件衬衫是真丝还是化纤，也不知道它穿上会不会撑起来、会不会贴在身上。西装、大衣这类靠版型撑着的衣服，图的参考价值就更低。
尺码是第三个，也是最容易被误用的一处。模型知道你的大致轮廓，不知道你的肩宽，更不知道你习惯穿宽松还是合身。所以图能回答「大概长到哪」，回答不了「这件 M 会不会紧」。
Whalecalculate 那篇还列了几条自己承认的边界，挑出来放在这里：侧身、后背这类非正面姿势，出图不如正面稳；薄纱、蕾丝这种半透明面料，透视效果很难模拟；帽子、围巾这类配饰，通常不在试衣范围里。这不是给人挑毛病的清单，是打开试衣之前该知道的边界——你越清楚它不做什么，越不容易拿一张图去下一个它答不了的结论。
自己验一次：找一件穿得正好的旧衣服当尺子
想判断某个工具对你准不准，不用等别人测评，做三件事就够。
先把参照固定住。从衣柜里挑一件你穿着正好的上衣，量出肩宽、袖长、衣长三个厘米数。之后看任何效果图，都拿这三个数去对照图上同样三个位置：肩缝落在肩的哪里，袖口到手腕还是手背，衣摆盖到胯的哪一段。
再让一次只变一个条件。同一件衣服，白光下一次、暖光下一次，两张图放一起看颜色差多少。差得多，就说明这个工具的颜色对你不可信，后面选色别靠它。
最后一步是反过来验：把你已经确定合身的一件衣服拍成图，看图上它是不是也显得合身。如果图说合身而实物你穿着紧，这张图对你就是偏松的，后面看别的都要按这个偏差打折扣。这比记住任何「准确率」都有用，因为它测的是你和这个工具之间的关系。有条件的话，再拿同一件衣服拍一张侧身——转身之后效果掉多少，决定这个工具是只在正面对着镜头时能用，还是转过半圈也还成立。
什么时候可以信这张图
两件版型差不多的衣服二选一、两个颜色比一比，只要拍摄光线一致，效果图是有用的——它把「想象」变成「能看见」，省掉一次来回。
判断尺码、面料手感、正式程度，它帮不上忙。该量厘米表就去量，该摸面料就去摸。西装和大衣这类看肩线的，图能告诉你大概轮廓，告诉不了你这条肩线对不对。
我做的 iPhone 应用「我的衣柜」里，实时试衣和照片试穿是两个入口：对着镜头那条适合当场比一比，传照片那条适合存下来、过后再看。两条路的边界和上面说的一样，入口解决的是「在哪里比」，不解决「比出来准不准」。怎么试才不白试，对着镜头试衣，怎么试才不白试 里拆得更细；两种方式怎么选，实时试衣和照片试穿差在哪 讲的是取舍。
下次打开试衣，先想清楚这次要它回答哪一件事：颜色、版型，还是尺码。只问一个，图才有用；一次想让它全答，最后记住的只是「好像还行」。