फैशन की दुनिया में, चुनौती हमेशा केवल एक ऐसी वस्तु खोजने के बारे में नहीं रही है जो अच्छी दिखे; बल्कि यह एक पूर्ण लुक को असेंबल करने के बारे में है जहाँ हर टुकड़ा एक साथ मेल खाता हो। दशकों से, कंप्यूटर वैज्ञानिक मशीनों को शैली की इस समझ को सिखाने का प्रयास कर रहे हैं, जिसे पूरक छवि निर्माण (complementary image generation) के रूप में जाना जाता है। इसका लक्ष्य सिद्धांत रूप में सरल है: कंप्यूटर को एक शर्ट दिखाएं, और उसे एक ऐसी पैंट बनाने दें जो उसके साथ पूरी तरह से मेल खाती हो। शुरुआती प्रयासों ने कठोर नियमों या सरल टेम्पलेट्स पर भरोसा किया, जिसमें मशीन से बिना किसी सूक्ष्मता के "जीन्स की एक फोटो" बनाने के लिए कहा जाता था। हालाँकि, वास्तविक लोग कठोर टेम्पलेट्स में बात नहीं करते हैं। जब कोई खरीदार एक आउटफिट खोजता है, तो वह "इलास्टिक कमरबंद वाली रिलैक्स्ड-फिट जिम स्वेटपैंट्स" या केवल "जीन्स" मांग सकता है, यह इस पर निर्भर करता है कि उस क्षण उनकी दृष्टि कितनी विशिष्ट है। मनुष्यों द्वारा इच्छा व्यक्त करने के तरीके और मशीनों द्वारा सुनने के प्रशिक्षण के बीच के इस अंतर ने डिजिटल फैशन सहायकों को अनुरोध के पीछे के वास्तविक इरादे को समझने में संघर्ष करने के लिए छोड़ दिया है।

इटली और ऑस्ट्रिया के शोधकर्ताओं की एक टीम ने अब एक नए सिस्टम को मुक्त-रूप निर्देशों (free-form instructions) को समझने के लिए प्रशिक्षित करके इस अंतर को पाट दिया है। उपयोगकर्ताओं को अपनी इच्छाओं को एक पूर्व-निर्धारित बॉक्स में फिट करने के लिए मजबूर करने के बजाय, शोधकर्ताओं ने एक ऐसी विधि बनाई है जहाँ कंप्यूटर एक परिधान की 'सीड इमेज' (seed image) और एक प्राकृतिक भाषा वाक्य, चाहे वह कितना भी विस्तृत या अस्पष्ट क्यों न हो, ले सकता है और एक मेल खाने वाली वस्तु बना सकता है। उन्होंने तीन मौजूदा फैशन डेटासेट्स को हजारों नए निर्देशों के साथ समृद्ध करके इसका परीक्षण किया, जो "जिम शॉर्ट्स" जैसे न्यूनतम संकेतों से लेकर कपड़े, रंग और फिट के बारे में विशिष्ट विवरण देने वाले अत्यधिक विस्तृत विवरणों तक विस्तृत थे। परिणाम एक सिस्टम है जिसे 'स्टाइलफ्लो' (StyleFlow) कहा जाता है, जो न केवल यह अनुमान नहीं लगाता कि मेल खाने वाली वस्तु कैसी दिख सकती है, बल्कि वास्तव में उस विशिष्ट शब्दों को सुनता है जिनका उपयोग उसे वर्णित करने के लिए किया गया है। अपने प्रयोगों में, शोधकर्ताओं ने पाया कि प्रदान की गई भाषा जितनी विशिष्ट होगी, कंप्यूटर अपने निर्माण को उपयोगकर्ता की दृष्टि के साथ उतनी ही बेहतर ढंग से संरेखित कर सकेगा, जिससे ऐसे परिधान तैयार होंगे जो न केवल मूल वस्तु के साथ शैलीगत रूप से संगत होंगे बल्कि लिखित विवरण के प्रति भी वफादार होंगे।

शोधकर्ताओं ने सबसे पहले पिछले कार्यों की एक मौलिक सीमा को संबोधित किया: अधिकांश सिस्टम को निश्चित टेम्पलेट्स का उपयोग करके प्रशिक्षित और परीक्षण किया जाता था, जैसे कि "[श्रेणी] की एक फोटो"। यह दृष्टिकोण यह दर्शाने में विफल रहा कि लोग वास्तव में कैसे खरीदारी करते हैं, जहाँ प्रश्न विवरण में बहुत भिन्न होते हैं। इसे ठीक करने के लिए, टीम ने अपने परीक्षणों के लिए यथार्थवादी, मुक्त-रूप निर्देश उत्पन्न करने के लिए एक दो-चरणीय प्रक्रिया विकसित की। सबसे पहले, उन्होंने कपड़ों की छवियों का विश्लेषण करने और रंग, सामग्री और कट जैसे गुणों का वर्णन करने वाले संरचित कैप्शन लिखने के लिए एक विजन-लैंग्वेज मॉडल का उपयोग किया। फिर, उन्होंने उसी मॉडल से उन कैप्शन को तीन अलग-अलग स्तरों के विवरण पर प्राकृतिक लगने वाले वाक्यों में फिर से लिखने के लिए कहा। एक स्तर ने केवल बुनियादी श्रेणी पेश की, दूसरे ने रंग और सामान्य शैली जोड़ी, और तीसरे ने फिट और कपड़े के बारे में विशिष्ट विवरण शामिल किए। मानव एनोटेटरों ने इन हजारों उत्पन्न निर्देशों की समीक्षा की ताकि यह सुनिश्चित किया जा सके कि वे स्पष्ट, प्रवाहपूर्ण हैं और दृश्य सामग्री का सटीक वर्णन करते हैं। इसने एक नियंत्रित वातावरण बनाया जहाँ शोधकर्ता यह परीक्षण कर सके कि एक कंप्यूटर संक्षिप्त संकेत से लेकर एक सटीक आदेश तक सब कुछ कितनी अच्छी तरह संभालता है।

इन निर्देशों को परखने के लिए, शोधकर्ताओं ने 'स्टाइलफ्लो' बनाया, जो 'रेक्टिफाइड फ्लो मैचिंग' (Rectified Flow Matching) नामक तकनीक पर आधारित एक नया प्रकार का जनरेटिव मॉडल है। पुराने सिस्टमों के विपरीत, जिन्हें अक्सर छवियों और टेक्स्ट को संभालने के लिए जटिल, अलग-अलग मॉड्यूल की आवश्यकता होती थी, स्टाइलफ्लो दोनों इनपुट को एक एकल, एकीकृत संरचना में एकीकृत करता है। यह बीज परिधान (seed garment) की छवि और टेक्स्ट निर्देश लेता है और एक नई छवि बनाने के लिए उन्हें एक साथ प्रोसेस करता है। शोधकर्ताओं ने इस मॉडल को शीर्ष-और-नीचे (top-and-bottom) के हजारों संगत जोड़ों वाले तीन बड़े डेटासेट्स पर प्रशिक्षित किया, यह सुनिश्चित करते हुए कि परीक्षण के लिए उपयोग की जाने वाली वस्तुओं को प्रशिक्षण के दौरान कभी नहीं देखा गया था। इस सेटअप ने सिस्टम को विशिष्ट जोड़ों को केवल याद करने के बजाय शैली और अनुकूलता के अंतर्निहित सिद्धांतों को सीखने के लिए मजबूर किया। जब सिस्टम एक नया परिधान बनाता था, तो उसका मूल्यांकन न केवल इस आधार पर नहीं किया जाता था कि छवि कितनी वास्तविक दिखती है, बल्कि इस आधार पर भी कि वह टेक्स्ट निर्देश के साथ कितनी अच्छी तरह मेल खाती है और वास्तविक कपड़ों के कैटलॉग में पाई जाने वाली वस्तुओं के कितने करीब है।

परिणामों ने एक स्पष्ट और सुसंगत पैटर्न दिखाया: भाषा की विशिष्टता सीधे परिणाम की गुणवत्ता को प्रभावित करती थी। जब सिस्टम को उच्च-विवरण वाले निर्देश प्राप्त हुए, तो इसने ऐसे परिधान उत्पन्न किए जो इच्छित डिजाइन और मूल सीड आइटम के साथ काफी अधिक संरेखित थे। उदाहरण के लिए, एक डेटासेट पर, कम-विवरण वाले प्रॉम्प्ट से उच्च-विवरण वाले प्रॉम्प्ट पर जाने से वास्तविक कैटलॉग उत्पादों के साथ जेनरेट की गई वस्तु के मिलान की सिस्टम की क्षमता लगभग 38 प्रतिशत से बढ़कर लगभग 69 प्रतिशत हो गई। सिस्टम ने छवि गुणवत्ता के मानक मापदंडों पर भी बेहतर प्रदर्शन किया, जहाँ अधिक वर्णनात्मक टेक्स्ट दिए जाने पर जेनरेट की गई वस्तुएं अधिक वास्तविक और कम धुंधली दिखीं। इसके विपरीत, जब निर्देश अस्पष्ट या गायब थे, तो सिस्टम का प्रदर्शन तेजी से गिर गया, जिससे कम अनुकूल वस्तुएं बनीं जिन्हें यादृच्छिक शोर (random noise) से अलग करना कठिन था। इसने पुष्टि की कि सिस्टम रचनात्मक प्रक्रिया को निर्देशित करने के लिए टेक्स्ट पर बहुत अधिक निर्भर करता है, और मूल वस्तु के रूप में शैलीगत सामंजस्य बनाए रखने के लिए सीड इमेज का उपयोग करता है।

मानव मूल्यांकनकर्ताओं ने नए सिस्टम की तुलना कई स्थापित मॉडलों से करके इन निष्कर्षों को और अधिक पुख्ता किया। एक ब्लाइंड स्टडी में, प्रतिभागियों ने जेनरेट की गई छवियों की दृश्य गुणवत्ता, शैलीगत अनुकूलता और प्रामाणिकता को रेट किया। नया सिस्टम अपने प्रतिस्पर्धियों की तुलना में लगातार बेहतर रहा, जिससे ऐसी वस्तुएं बनीं जो अधिक वास्तविक दिखती थीं और जिनके वास्तविक कैटलॉग फोटो के रूप में mistaken होने की संभावना अधिक थी। प्रतिभागियों ने सिस्टम की रचनाओं को वास्तविक फोटोग्राफ के लगभग उतना ही प्रामाणिक माना, जिसमें "फेक" डिटेक्शन दर केवल लगभग 28 प्रतिशत थी, जबकि पुराने मॉडलों के लिए यह दर बहुत अधिक थी। सिस्टम ने उपयोगकर्ता के इरादे का पालन करने में भी उत्कृष्टता दिखाई; जब "ज़िपर वाली जेब" या "इलास्टिक कमरबंद" जैसी विशिष्ट विशेषताओं के लिए पूछा गया, तो इसने सफलतापूर्वक उन विवरणों को शामिल किया, जबकि अन्य मॉडल अक्सर उन्हें अनदेखा कर देते थे या अनुरोधित वस्तु के जेनेरिक संस्करण बना देते थे।

अध्ययन ने यह भी पता लगाया कि क्या होता है जब सिस्टम को उसके इनपुट्स से वंचित कर दिया जाता है। जब शोधकर्ताओं ने टेक्स्ट निर्देशों को हटा दिया, तो प्रासंगिक वस्तु उत्पन्न करने की सिस्टम की क्षमता ढह गई, जिससे सिद्ध हुआ कि भाषा केवल एक मामूली जुड़ाव नहीं है बल्कि पीढ़ी प्रक्रिया का एक मुख्य चालक है। इसी तरह, जब सीड इमेज को एक खाली कैनवास से बदल दिया गया, तो सिस्टम को शैलीगत सामंजता बनाए रखने में संघर्ष करना पड़ा, विशेष रूपकर जब टेक्स्ट निर्देश अस्पष्ट थे। इसने प्रदर्शित किया कि सिस्टम को प्रभावी ढंग से काम करने के लिए सीड आइटम के विजुअल कॉन्टेक्स्ट और टेक्स्ट के विशिष्ट मार्गदर्शन दोनों की आवश्यकता होती है। शोधकर्ताओं ने उल्लेख किया कि हालांकि सिस्टम विस्तृत निर्देशों के साथ सबसे अच्छा काम करता है, फिर भी यह न्यूनतम संकेतों के साथ भी तर्कसंगत परिणाम देने में सक्षम है, जो यह सुझाव देता है कि यह उन उपयोगकर्ताओं के लिए उपयोगी हो सकता है जो यह तय करने में अनिश्चित हैं कि वे वास्तव में क्या पहनना चाहते हैं।

एक कठोर टेम्पलेट-फिलिंग अभ्यास से एक लचीले भाषा-ग्राउंडिंग कार्य में समस्या को पुनर्गठित करके, यह कार्य फैशन जनरेशन के क्षेत्र को इस वास्तविकता के करीब लाता है कि लोग वास्तव में तकनीक के साथ कैसे इंटरैक्ट करते हैं। शोधकर्ताओं ने दिखाया कि मशीनें मानव भाषा के पूरे स्पेक्ट्रम को समझने और उसे एक दृश्य वास्तविकता में अनुवादित करने में सक्षम हैं, जो संक्षिप्त संकेत से लेकर विस्तृत विवरण तक, और जो मूल शैली का सम्मान करती है। जबकि वर्तमान सिस्टम टॉप और बॉटम को मिलाने पर केंद्रित है, लेखक सुझाव देते हैं कि इस दृष्टिकोण को अंततः अधिक जटिल आउटफिट संयोजनों और वास्तविक दुनिया के उपयोगकर्ता प्रश्नों को संभालने के लिए विस्तारित किया जा सकता है। अध्ययन इस निष्कर्ष पर पहुँचता है कि बेहतर डिजिटल फैशन सहायकों की कुंजी अधिक जटिल आर्किटेक्चर बनाने में नहीं, बल्कि उन्हें उन शब्दों को अधिक ध्यान से सुनने में है जिनका उपयोग लोग यह बताने के लिए करते हैं कि वे क्या पहनना चाहते हैं।