提出了一种基于全卷积图神经网络的学习方法，用于虚拟试穿应用。该方法可以适用于许多服装类型，并使用几何深度学习方法对 3D 服装进行拟合。通过对目标物体形状和材料进行建模，我们的模型学习了更精细的细节，提高了试穿模型的性能。

Sep, 2020

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

本文提出了一种名为 LayersNet 的数据驱动方法来对多层服装进行建模并以微物理系统中的粒子相互作用为驱动，引入一种新的旋转等效变换以更好地模拟外部力，最终通过一个包含 700K 帧的数据集 D-LAYERS 进行验证并展示出优异的表现。

May, 2023

本文提出了一种针对多层服装的模型，通过映射其在人体模型的 UV 贴图上，将其拓扑结构独立化处理，并加入了基于 GNN 的网络，实现不同层次间的互动关系建模，从而成功实现了对真实服装重建的高性能模拟。

Apr, 2023

该研究论文介绍了使用服装缝合图案和面向点的注意力模型 NeuralTailor，来解决在 SocialVR、表演捕捉和虚拟试衣等领域中，虚拟世界中真实服装重建的挑战。

Jan, 2022

本文提出了一种使用深度学习自动获得服装姿势空间变形基础的方法，以用于衣物的模拟动画，并展示了这种方法的高效性和可扩展性。

Dec, 2020

通过引入几何约束和基于物理的模型，本文解决了现有方法中的不逼真的问题，并提出了适用于所有服装类型的几何感知的服装皮肤方法。

Dec, 2023

通过物理嵌入学习框架，使用卷积神经网络代表物体之间的空间相关性，并通过三个分支学习布料物理的线性、非线性和时间导数特征，模型通过与传统模拟器或子神经网络相结合，测试在不同的布料动画案例中达到与基准值的一致性和预测的真实性，同时提高了推理效率，可与其他视觉细化技术整合应用于三维布料动画。

Mar, 2024

本研究利用基于骨骼和网格的残差网络来预测基于骨骼的角色穿着松散或紧身服装的皱褶，其生成的细节皱褶丰富、精细，且具备低内存和计算要求，单个角色网格的预测时间为 7 毫秒。

May, 2023

3D 虚拟试穿是一个具有广泛潜力且备受关注的挑战性任务，本文提出了一种基于分解的隐式服装转换网络 (DI-Net)，通过像素对齐的隐式函数构建方法，实现了从任意视角重建 3D 人体网格和保留其纹理恢复的能力，在 3D 虚拟试穿任务中展现出优异的性能和效果。

Nov, 2023