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
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
本研究提出了一种名为 ClothFit 的虚拟试衣方法,通过考虑衣服的实际尺寸和人体属性,能够在目标身体上预测衣服的覆盖形状,该方法结合了 U-Net 网络结构和 Auto-encoder 技术,相比现有技术实现更加真实、高效的虚拟试衣效果。
Jun, 2023
本研究提出了一种数据驱动的方法,使用条件生成对抗网络来实现真实服装的高保真度仿真,可用于身体动画等应用。
Aug, 2018
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
本文提出了一种新的生成模型,用于 3D 服装变形,能够学习一种数据驱动的虚拟试穿方法,并成功地解决了服装和身体之间的碰撞问题。通过使用服装的规范空间来训练生成模型,实现了一种自我监督的碰撞术语,可以可靠地解决服装和身体之间的相互渗透。
May, 2021
基于图像的虚拟试穿系统,旨在设计一种新的流程,可以保留服装的静态特征,如纹理和标志,同时生成适应模型姿势和环境的动态元素,先前的研究在生成动态特征方面存在问题,我们提出了一种新的基于扩散的产品级虚拟试穿流程,即 PLTON,它可以保留细节丰富的标志和刺绣,同时产生逼真的服装阴影和皱纹。
Jan, 2024
本文提出了一种自监督学习动态三维服装变形的方法,通过基于优化方案的物理模型训练神经网络,实现无需预先计算数据,节省大量时间和成本,并成功应用于包括动态变形和精细皱纹在内的交互式服装建模。
Apr, 2022
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
视频虚拟试穿通过强大的扩散模型处理视频虚拟试穿任务并实现空间时间一致性。
May, 2024