Die generierte Hand wirkt überzeugend, und der Ring daran sitzt wie ein Serviettenring. Die Knöchel falten sich dort, wo Knöchel sich falten, das Licht liegt korrekt auf dem Nagelbett, und der Reif am Ringfinger ist breit genug, um eine Serviette zu halten. Bei der Anprobe von Kleidung durfte jahrelang mit der Größe gemogelt werden, denn ein Pullover, der eine Nummer zu groß gerendert wird, liest sich immer noch als Pullover. Schmuck kennt diesen Spielraum nicht – weshalb ausgerechnet die margenstärksten Kategorien zuletzt eine funktionierende Anprobe bekommen haben.

JewelTry, am 15. September auf arXiv veröffentlicht von einem Team der Australian National University und Amazon, behandelt genau diesen fehlenden Spielraum als das eigentliche Problem. Die Anprobe von Schmuck hat sich bislang auf eine Maske verlassen, um das Objekt zu fixieren, während allgemeine Anprobe-Frameworks, so die Autoren, “das reale Produktmaß nicht explizit modellieren”. JewelTry verzichtet auf die Maske und übergibt dem Modell stattdessen die Zahl: die physische Abmessung des Produkts in Zoll, geschrieben in den Text-Prompt und über einen kleinen Adapter in ein einzelnes Skalierungs-Token projiziert, sodass das Modell lernt, wie eine angegebene Größe mit der umgebenden Anatomie zusammenhängt.

Die eigentliche Ehrlichkeit steckt in der Bewertung. Die Arbeit führt ScaleErr ein, das absolute Log-Verhältnis zwischen der dominanten Abmessung des gerenderten Objekts und der tatsächlichen, wobei null bedeutet, dass die Größe stimmt. JewelTry erreicht 0,169 gegenüber 0,208 bei Qwen-JVTON, 0,256 bei OmniTry, 0,397 bei InsertAnything und 1,158 bei Any2AnyTryOn. Als natürlicher Logarithmus gelesen, liegt der beste Wert immer noch bei rund achtzehn Prozent Abweichung von der größten Abmessung des Stücks. Das ist der aktuelle Stand der Technik – und bei einem Solitär ist das ein anderer Ring.

JVTO-Bench, parallel zum Modell entwickelt, umfasst 23.662 Trainings-Triplets und 375 Testbeispiele in vier Kategorien. Bestehende Anprobe-Datensätze, so die Arbeit, “liefern selten schmuckspezifische Annotationen oder verlässliche reale Produktmaße”. Das Team nutzte daher Claude Sonnet 4, um Abmessungen aus maßstabsgetreuen Produktfotos auszulesen, und ließ das Ergebnis von Menschen überprüfen. Wir hatten im Mai argumentiert, dass sich der Engpass bei der Anprobe vom Modell weg und hin zu den Katalogmetadaten verschoben hat; hier mussten die Forscher die Metadaten erst selbst erzeugen, bevor sie damit trainieren konnten.

Schmuck-Anprobe gibt es in gewisser Weise schon seit Jahren. Perfect Corp legt seit Langem AR-Ringe und -Ohrringe über Live-Kamerabilder, und ihre Pipeline für Ringe und Uhren verlangt von einer Marke, für jede SKU “branchenübliche 3D-CAD-Dateien” zu importieren. Ihr Ohrring-Produkt wirbt dagegen mit einer Anprobe “aus einem 2D-Bild, ohne teure 3D-Modellierung”. Die günstige Route existiert für das, was am Ohrläppchen hängt, nicht für das, was auf einen Knöchel passen muss. Ein Hersteller besitzt die CAD-Datei; ein Marktplatz besitzt ein Foto und eine Bildunterschrift – vermutlich der Grund, warum Amazons Name auf diesem Paper steht.

Der Benchmark trägt dieselbe Schieflage: 12.149 Trainingspaare für Ohrringe, 2.908 für Ringe.

Das Größenproblem ist älter als das Rendering. 1932 zeigte Chanel Bijoux de Diamants in der 29 rue du Faubourg Saint-Honoré, präsentierte die Stücke auf Wachsbüsten mit echtem Haar statt in Juwelierstabletts und verlangte zwanzig Francs Eintritt für einen guten Zweck. Ein Diamantenkomet, flach auf Samt ausgelegt, ist eine Ansammlung von Steinen; über eine Stirn gelegt, ist er eine Proportion. Chanels Antwort war, den Körper zu bauen und die Käuferin daran messen zu lassen.

Signet zahlt noch heute für eine Version davon. Der Konzern meldete 1,53 Milliarden US-Dollar Umsatz im Quartal bis zum 1. August, ein Plus von 2,2 Prozent bei den Filialumsätzen und eine Bruttomarge von 39,4 Prozent, und hob daraufhin die Jahresprognose an. CEO J.K. Symancyk sagte Analysten am 9. September, die neu gestalteten Kay- und Jared-Websites böten “bessere Bildsprache und Produktpräsentation mit realistischeren On-Model-Fotos, die Kunden beim selbstbewussten Kauf helfen sollen”; Zales solle später im Monat folgen. Das ist die Wachsbüste, vierundneunzig Jahre später und im Studio fotografiert. Es ist zugleich die teuerste Lösung auf der Speisekarte, abgerechnet pro Shooting und pro SKU.

Was sich auf dem Bildschirm ändert, ist die Grammatik der Accessoire-Fotografie. Schmuck-E-Commerce hat lange von der Makroaufnahme und dem Flatlay gelebt, weil beide die Größe konventionsgemäß verschleiern, während das getragene Bild die teure Ausnahme war. Ein Modell, das eine Abmessung als Parameter entgegennimmt, macht das getragene Bild günstig genug, um zur Standardansicht zu werden – und verschiebt damit den Blick der Kategorie von der Nahaufnahme des Glitzers hin zur Proportion am Körper. Achtzehn Prozent Abweichung sind noch nicht das Ziel. Aber die Zahl steht jetzt in der Tabelle, und von dort aus beginnt sie sich zu bewegen.