本文提出了一种基于学习的服装动画方法，用于高效的虚拟试穿模拟，其中使用了基于物理的模拟，基于数据库的模型训练，并将全局服装吻合和局部服装皱纹分离。同时，使用循环神经网络来回归服装皱纹，实现了高度逼真的非线性效果。

Mar, 2019

TailorNet 是一个用于预测三维服装变形的神经模型，它综合考虑了服装的姿态、形状和风格等因素，同时保留了皱纹细节。该模型采用了分解变形模型的方法，通过低频和高频组合预测服装形变，并且相比之前的模型，TailorNet 可以更快地提供更加真实的结果。

Mar, 2020

本研究介绍了一种利用隐式神经表征的新型各向异性布料回归技术，其中包括创新的无网格抽样方法和新颖的对抗训练方案，以更好地捕捉细节布料纹理并保持计算效率。实验结果表明，在相同内存限制下，本方法在建模高度细节化的布料皱纹时始终超过传统的离散表示。

Nov, 2023

本文介绍了一种解决数字化人物着装的解决方案，该方案可以通过神经网络在测试时直接生成逼真的动态服装图像序列，以解决现有工作流程中重复性高且耗时的问题，并且可以在新的身体形状和背景图像下进行微调，并提供了与现有神经渲染和图像序列转换方法的定量比较。

Feb, 2021

该研究提出了一种基于点的解决方案来解决服装变形问题，并引入了一个包含现实世界人类穿着高质量扫描数据集的方法进行验证。

Apr, 2023

这篇论文提出了一种新方法，使用前向蒙皮模块和对抗网络模型，仅从少量生动的数据中学习生成多样化的 3D 人形模型，以便能够更自然地生成身着不同服装的人形模型，并且还可用于将人形模型拟合到原始扫描数据上。

Jan, 2022

使用扩散模型学习的形状先验和基于学习的功能映射的多阶段引导方案，实现了纹理不可见衣物的准确表面配准，对于大规模变形的稳定配准效果优于基于 VAE 或 PCA 先验的表面配准，并且在插值和外推测试中优于基于优化和学习的非刚性配准方法。

Nov, 2023

基于变形分解的服装生成模型，能够高效地模拟松散服装的变形，生成带有复杂姿势驱动的变形效果，并通过对高频皱纹的增强模块进行反对抗训练，实验结果表明该方法优于现有的数据驱动方法。

Dec, 2023

本文提出了一种名为 CAPE 的基于 Mesh-VAE-GAN 和 SMPL 身体模型的条件服装生成模型，能够直接为 3D 人体模型着装并适用于不同的姿势。

Jul, 2019

本研究通过深度学习提出了一种解决服装动画问题的新方法，可以对任何拓扑和几何复杂度的模板服装进行动画处理，并提出了一种补充有监督学习的无监督物理学习方法，以隐式解决碰撞和增强布料质量。

Sep, 2020