2,727 Kleidungsfotos ohne Menschen darauf, und ein Try-on-Backend, das man umhängen kann

Das Repository heißt nvzhuang, hat 2,841 Sterne und begann als Witz in einem chinesischen Entwicklerforum. Was daraus geworden ist, ist nützlicher als der Witz: eine durchsuchbare Bibliothek mit 2,727 KI-generierten Kleidungsbildern, dazu 1,499 Portraitreferenzen und ein optionales Try-on-Backend, das mit jedem Bildmodell spricht, für das man einen Schlüssel hat.
Die Designentscheidung, die es zu kopieren lohnt, steht in der ersten Zeile der Beschreibung. Die Bilder zeigen keine Person im Bild. Kein Model, keine Hände, keine gestylten Posen. Nur das Kleidungsstück, 2:3, zentriert, vor neutralem Hintergrund. 1,407 davon sind fotorealistisch, 1,320 im Anime-Stil.
Warum niemand im Bild der Punkt ist
Eine Referenz mit einer Person darauf sind zwei Referenzen, die gegeneinander arbeiten. Wer einer Kundin zeigen will, wie eine Jacke in einer anderen Farbe aussieht, bekommt mit dem Foto am Model auch die Proportionen dieses Models, das Licht auf dem Gesicht und die Pose mitgeliefert. Ein Bildmodell, das man um „diese Jacke, blau“ bittet, reproduziert getreulich auch die Pose, weil die Pose in den Pixeln steckt.

Nimmt man die Person heraus, wird das Kleidungsstück ein sauberes Objekt. Es lässt sich auf jeden Körper, in jede Szene, in jedes Seitenverhältnis setzen, ohne dass das Modell entwirren muss, was es behalten soll. Modekataloge wissen das seit Jahrzehnten, deshalb fotografiert der E-Commerce auf unsichtbaren Puppen. Das Repo hat die Konvention nur auf KI-generierte Referenzdaten angewendet.
Die 1,499 Modelportraits sind die andere Hälfte derselben Idee, und sie sind CC0. Ein Try-on-Ablauf braucht einen Körper, auf den die Kleidung kommt, und der übliche Fehler an dieser Stelle ist, dass die Nutzerin kein passendes Foto hat. Eine vorab geladene Bibliothek aus Gesichtern und Staturen beseitigt eine ganze Klasse von Abbrüchen.
Was mitkommt und was man selbst bauen muss
Das Frontend ist statisch. Öffnet man die gehostete Vorschau, funktioniert alles ohne Installation, ohne Schlüssel, ohne Backend: drei Bibliotheken zum Umschalten, Kategoriefilter, zweisprachige Suche in beide Richtungen, Vollbildansicht und ein einfaches Pairing-Board zum Zusammenstellen eines Outfits.
Der eigentliche Try-on ist der Teil, der Montage braucht. Das Backend liegt in `backend/` und läuft auf GoFrame; man konfiguriert es mit API-Schlüssel und Basis-URL für ein Modell, das Bildbearbeitung kann: GPT Image 2, Seedream von ByteDance oder Gemini sind die drei genannten. Aufrufe verbrauchen das eigene Kontingent bei diesem Anbieter.
Den Anbieter austauschbar zu machen, ist die kluge strukturelle Entscheidung. Bildmodelle wechseln alle sechs Wochen, Preise bewegen sich noch schneller, und ein Try-on-Feature, das an einen Anbieter gebunden ist, hat eine Haltbarkeit in Quartalen. Ein Repo, das den Endpoint tauschen lässt, überlebt den Modellzyklus. Es heißt außerdem, dass die Qualitätsobergrenze bei einem selbst liegt: ein billiges, schnelles Modell zum Stöbern, ein teures für das finale Rendering.
Alles ist MIT, inklusive der Bilder, und das README erlaubt ausdrücklich kommerzielle Nutzung und Bearbeitungen. Das ist seltener, als es sein sollte, und genau deshalb ist dieses Repo mehr wert als seine Sternzahl.
Wie eine Pipeline mit drei Schritten aussieht
Das Repo lässt sich leicht als Galerie abtun, deshalb lohnt es sich, den Workflow auszubuchstabieren, den es ermöglicht. Schritt eins: eine Kleidungsreferenz und eine Körperreferenz auswählen. Schritt zwei: beide an ein Editiermodell schicken, mit einer Anweisung: zieh diesem Menschen dieses Kleidungsstück an, behalte Stoff und Nähte. Schritt drei: das Ergebnis und die beiden Referenz-IDs daneben aufbewahren, damit dasselbe Outfit in der nächsten Saison auf einem anderen Körper neu erzeugt werden kann, ohne den ursprünglichen Prompt zu suchen.
Am letzten Schritt scheitern Teams. Ohne Aufzeichnung, welche Referenzen welche Ausgabe erzeugt haben, wird eine Kampagne in dem Moment nicht reproduzierbar, in dem die Person geht, die sie gefahren hat. Ein Katalog mit stabilen IDs, und mehr ist dieses Repo wirklich nicht, löst das kostenlos.
Das Muster dahinter
Referenzbibliotheken werden zum wertvollsten Gut in der consumer-nahen KI-Bildwelt. Ein Modell kann man mieten. Eine kuratierte Sammlung von 2,727 Objekten mit konsistentem Framing, Lizenz und Metadaten kann man nicht mieten, weil jemand entscheiden muss, was hineingehört.
Dasselbe Muster zeigt sich in der Posenbibliothek, die dieser Autor früher veröffentlicht hat, in den KI-Portraitserien, die unter CC0-Bedingungen kursieren, und in den Kleidungspaketen, die chinesische E-Commerce-Teams intern bauen und nie veröffentlichen. Der Wert liegt in Konsistenz und in einer Lizenz, die man der Rechtsabteilung geben kann, nicht in Neuheit.
Für eine Marke ist der praktische Nutzen ein Moodboard, das ein Modell lesen kann. Statt eine Passform mit Adjektiven zu beschreiben, zeigt man auf eine Referenz und sagt „diese Silhouette, dieser Stoff“. Für Toolbauer ist es ein Startdatensatz für ein Try-on-Produkt, das kein Fotostudio braucht. Für Forschende sind es hundert Megabyte saubere Bilder mit einem einzigen Motiv und klarer Lizenz, und diese Beschreibung trifft auf fast nichts sonst im Internet zu.
Der Ton
Der Ursprung des Projekts ist ein Forumswitz über Cross-Dressing, und das README legt mit Emoji und Insiderwitzen nach. Diese Rahmung wird die Reichweite begrenzen, was schade ist, denn die zugrunde liegende Struktur, Kleidung vom Körper getrennt mit einem austauschbaren Editier-Backend, ist genau das, was ein Mode-E-Commerce-Team braucht, und genau das, was die meisten intern schlecht bauen.
Zieht man den Witz ab, bleibt ein solides kleines Produkt: ein statischer Katalog mit guter Suche, ein dokumentiertes Datenmodell, ein Backend, das jeden Anbieter annimmt, und eine Lizenz, die es einem Unternehmen erlaubt, das am Montag einzusetzen. Das ist ein besseres Artefakt, als die meisten finanzierten Startups im ersten Jahr ausliefern.
Die Einschränkungen
Generierte Kleidung ist keine echte Kleidung. Ein Referenzbild zeigt eine plausible Jacke, keine, die man fertigen kann, und das Stoffverhalten in einem KI-generierten Foto ist eine Vermutung. Für Inspiration und Style Transfer ist das in Ordnung; für ein Lieferantenbriefing nicht.
Die Anime-Hälfte ist ein anderes Publikum mit anderen Erwartungen, und beide Bibliotheken in einem Produkt zu mischen heißt, dass keine von beiden perfekt eingestellt ist. Es funktioniert, weil die Oberfläche schlicht ist, und es würde eine ernsthafte Produkt-Roadmap ohne Aufteilung nicht überstehen.
Die letzte Einschränkung gilt für jeden Referenzsatz: Abdeckung. 2,727 Kleidungsstücke sind viel, bis man eine bestimmte Sache braucht. Der Wert verfällt in dem Moment, in dem der eigene Anwendungsfall außerhalb der Sammlung liegt, und keine Politur der Oberfläche behebt eine fehlende Kategorie.
Was das Repo beweist, ist, dass die Montage nicht mehr der schwierige Teil ist. Ein einzelner Entwickler kann einen Katalog, eine Suche, ein austauschbares Modell-Backend und eine APK in der Zeit aufstellen, die es früher brauchte, um ein Studio zu briefen. Schwierig bleibt die Entscheidung, was man sammelt, und eine saubere Lizenz, und das ist immer noch menschliche Arbeit.
Verwandte Artikel
Der 99-Milliarden-Kreislauf um die eigenen Kunden
Nvidia finanziert die Käufer seiner Hardware. Solange das wächst, nennt man es Ökosystem. Wenn nicht, nennt man es Lieferantenfinanzierung – und fragt nach den Bedingungen.
74 Prozent Bruttomarge haben ein Verfallsdatum
Speicherpreise, Waferpreise, ein schwererer Produktmix: Alle drei Kräfte treffen auf dasselbe Jahr wie der Führungswechsel. Das macht aus einer gewöhnlichen Margenstory eine politische.
175.000 Unterschriften bringen ihn nicht zurück
Die Kampagne ist ein Loyalitätsbeweis und governance-technisch fast irrelevant. Genau in dieser Lücke liegt das Interessante: Je länger sie dauert, desto schwächer wird sie.
Die Exportregel kontrolliert den Kunden, nicht den Chip
Nicht der Chip ist jetzt der Kontrollpunkt, sondern die Beziehung zum Kunden. Die Regel verbietet nichts – sie verschiebt, wer künftig fragen muss.