BCNet：从单张图片中学习人物和服装的形状
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
本文提出了一种新颖的方法，可以从照片中构建3D虚拟服装模型，通过利用多任务学习网络JFNet以及语义部件来提取颜色纹理信息，进行虚拟现实和混合现实的应用。
Jul, 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
本文提出了 DeepCloth，它是一个针对服装表示、重建、动画和编辑的统一框架，它包含了三个组件：拓扑感知的 UV 位置图、连续特征空间中的嵌入和服装动画方法。这个方法可以实现更加灵活、通用的3D服装数字化框架。
Nov, 2020
本文提出了GarmentNets，利用广义绕数场提出了一种新的3D形状表示，将形变物体姿态估计问题转化为标准空间中的形状完成任务，在标准空间中完成局部表面的映射并得到完整3D网格表示，使用该方法取得了比其他方法更好的性能。
Apr, 2021
利用深度学习技术和隐含形状学习的力量，提出一种新颖的几何推断框架 ReEF，通过将显式模板与单张图片生成的整体隐式场进行匹配，重建具有拓扑一致性的分层服装网格，实验表明我们的方法在单张图像重建方面优于同类方法并能够为进一步的内容创作提供高质量的数字资源
Mar, 2022
该研究通过使用可以捕捉衣物粗糙表面几何特征的学习的非规范化本地变形来解决现有点云或隐式表面建模方法对衣服建模的不足，可以用于学习人物特定的化身并演示其动画效果，并能从原始扫描直接学习，使得创建逼真化身的过程大大简化。
Sep, 2022