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
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
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。
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。
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
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。
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
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
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