Виртуальная примерочная VK

Задача: создать первую работающую виртуальную примерочную для российского рынка, которая генерирует изображения за секунду, работает для аудитории в 79 миллионов пользователей ежедневно и становится инструментом продвижения для российских брендов. Не прототип для демонстрации инвесторам, а реальный продукт в руках реальных пользователей.

Цели:

• Предоставить пользователям возможность визуализации одежды на собственных фотографиях в режиме реального времени

• Повысить вовлеченность аудитории и время, проведенное в приложении 

• Создать эффективный инструмент продвижения для российских fashion-брендов

• Снизить количество возвратов товаров благодаря более осознанному выбору

• Интегрировать виртуальную примерку в единую экосистему VK  (маркет, VK Pay, брендзоны)

• Укрепить позиции VK как технологического лидера в области ИИ-решений для e-commerce

• Создать новый канал монетизации через партнерства с fashion-брендами

2025

Пользовательские метрики:

• более 155 000 запусков приложения

• более 100 000 уникальных пользователей

• более 40 000 генераций изображений

• Средняя скорость генерации: 1 секунда (улучшение в 300 раз по сравнению с первоначальными 5 минутами)

Бизнес-эффекты для партнеров:

• 8,8 млн внешних охватов для брендов-партнеров: экономия на рекламных бюджетах

• Канал лидогенерации: виртуальная примерочная работает как инструмент повышения узнаваемости для 20+ российских брендов

• Потенциальное снижение возвратов: более осознанный выбор одежды благодаря визуализации на собственном фото

Признание экспертного сообщества:

• Презентация на Российском форуме индустрии дизайна (при поддержке Росконгресса), 15 апреля 2025

• Выступление на ТехФрендли Викенд (ЦИПР)

• Публикации в профильных медиа

Технологический стек:

• Stable Diffusion (диффузионные модели для генерации изображений)

• LoRA (Low-Rank Adaptation) для fine-tuning моделей

• Python + Django для backend

• React для frontend (MiniApp)

• Apache Kafka для брокера сообщений

• IDM для управления идентификацией

• Яндекс.Метрика для аналитики

Собственные разработки:

• Набор микросервисов VKVton (9 компонентов: orchestrator, preprocessor, human parser, mask generator, latent encoder, diffuser, launcher, keypoint detector, prompt embedder, image embedder)

• Административная панель для управления каталогом товаров

В проекте не используются решения из каталога Global CIO

1. Несбалансированные датасеты: открытые датасеты имели уклон в сторону женских и стройных моделей, что приводило к критическим артефактам (появление женской груди на мужских фигурах). Решение: самостоятельная разметка датасета с учетом разнообразия телосложений и гендерной принадлежности.

2. Оптимизация производительности: время генерации составляло 5 минут, что делало решение нежизнеспособным для массового использования. Команда провела глубокую оптимизацию диффузионной модели и применила техники LoRA. Результат — сокращение времени до 1 секунды (улучшение в 300 раз).

3. Качество генерации: ранние версии выдавали визуальные дефекты. Решение: использование различных моделей для верха и низа, дополнительные приемы обучения, создание микросервисной архитектуры с раздельной обработкой (human parser, mask generator, keypoint detector).

4. Масштабирование под высокие нагрузки: Решение: микросервисная архитектура с использованием Kafka для асинхронной обработки и горизонтального масштабирования.

Весь мир говорит о генеративном ИИ, в то время как fashion-индустрия в России столкнулась с парадоксом: технология виртуальной примерочной существовала в теории, но никто не мог заставить её работать на практике. Команда VK решила пойти туда, где другие сдались.

Виртуальная примерочная — это первое в российском ритейле решение виртуальной примерочной, интегрированное в социальную сеть с аудиторией 79 млн пользователей в сутки.

Функциональные возможности:

Пользователь загружает собственное фото и может примерить одежду от 20+ российских брендов в формате 2D. ИИ-модель принимает фотографию пользователя и изображение выбранной одежды. Система из девяти специализированных микросервисов последовательно обрабатывает запрос: human parser определяет контуры тела, mask generator создаёт маски для зон одежды, keypoint detector следит за естественностью поз, а диффузионная модель генерирует финальное изображение с выбранной одеждой.

Раздельная обработка верха и низа позволяет использовать специализированные модели для каждого типа одежды, что обеспечивает фотореалистичное качество и даёт возможность комбинировать элементы от разных брендов в одном образе.

Apache Kafka обеспечивает асинхронную обработку запросов, позволяя системе масштабироваться под нагрузку социальной сети с десятками миллионов активных пользователей.

Административная панель позволяет брендам автоматически загружать каталоги товаров, управлять настройками отображения и отслеживать аналитику через интеграцию с Яндекс.Метрикой.

Полученные результаты пользователи могут мгновенно опубликовать на своей странице ВКонтакте, превращая виртуальную примерочную в инструмент продвижения для брендов-партнёров.

Система интегрирована с экосистемой VK: добавлены брендзоны на главной странице, запускается рекомендательная система и интеграция с VK Маркет, с VK Pay, создавая полную воронку от вдохновения до покупки.

Российская Федерация (с фокусом на всю аудиторию VK — 95% пользователей Рунета, 79 млн пользователей в сутки)