本研究提出了一种从单张照片中生成人体服装真实3D模型的算法，该算法可以还原出服装的全局形态、几何信息和细节，结合参数估计、语义分析和物理模拟等技术，可应用于虚拟试穿、服装转化、数字人物的服装动画等领域。

Aug, 2016

通过将三维布料变形重新构造为二维图案空间中的RGB图像，我们提出了一个新的计算框架，利用常见的CNN学习图像空间中的布料变形，并将其扩展到现实世界中，避免对准确的裸体体形和强大的蒙皮技术的需求，并讨论了如何将一些标准的基于图像的技术（例如图像分割以获得更高的分辨率，GANs以将分割的图像区域合并回来等）容易地并入到我们的框架中。

Dec, 2018

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

该研究介绍了一种名为MGN的多服装网络模型，利用SMPL模型，通过视频中几帧图像（1-8）预测身体的形状及所穿服装，该模型能够更好的控制身形和服装的关系。为了训练MGN，研究人员利用一个数字化的衣柜，该衣柜中包含了712件数字化服装模板以及真实人物在不同姿势、身着不同服装时的3D扫描数据。该数字化衣柜、MGN模型以及SMPL模型的代码均可公开获取。

Aug, 2019

提出一种将服装图像的纹理自动转移到穿着在人体模型上的3D服装的方法，并在不需要纹理信息的情况下实现，速度比传统方法更快，从而实现了更准确的模型，这为虚拟试穿等应用提供了新的途径。

Mar, 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

Deep Fashion3D是迄今为止最大的3D服装模型集合，包含2078个模型和丰富的注释信息，并引入了一种新的单视角服装重建方法。

Mar, 2020

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

该论文介绍了一种从图像中实现3D服装的逼真重建的方法，通过一种基于图像纹理的新框架，使用姿势信息从单张图像中生成3D服装的纹理图像，验证了该方法的有效性，并提供了一个大型数据集，对未来的服装纹理重建和合成研究具有重要参考价值。

Oct, 2023

本研究提出了一种名为GarmentDreamer的新型方法，它利用3D高斯喷雾（GS）作为指导，从文本提示中生成适用于仿真的3D服装网格。与使用由生成模型直接预测的多视图图像作为指导相比，我们的3DGS指导确保了服装变形和纹理合成的一致优化。通过全面的定性和定量实验证明了我们方法的有效性，并展示了GarmentDreamer相对于现有最先进方法的卓越性能。

May, 2024