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

本文提出了一种名为 CAPE 的基于 Mesh-VAE-GAN 和 SMPL 身体模型的条件服装生成模型，能够直接为 3D 人体模型着装并适用于不同的姿势。

Jul, 2019

基于新颖的物理解耦 - 语义感知扩散模型，本文提出了一个文本驱动的分层式 3D 人体生成框架，可以生成具有一致身体结构的 3D 人体，同时允许分层式的自由编辑。

Dec, 2023

本研究关注于使用多视图和多姿势的人体输入，重建位于规范空间中的衣着人体。我们利用 SMPLX 模型在规范空间中的几何先验，学习了几何重建的隐式表示，并在姿势网格和规范空间网格之间学习潜在编码。最终，我们的工作在 WCPA MVP-Human Body Challenge 中实现了第三的表现。

Dec, 2022

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

CLOTH3D 是第一份大规模的 3D 服装人体序列的综合性合成数据集，并提供了基于条件变分自编码器和图卷积的生成模型，实现了在任何姿势和形状下逼真生成 3D 服装。

Dec, 2019

提出了一种新的参数化模型 SMPLX-Lite-D，可以适应扫描网格的详细几何结构，同时保持脸部、手部和脚部区域的稳定几何结构。利用 SMPLX-Lite 数据集，训练了一个条件变分自编码器模型，以人体姿势和面部关键点作为输入，生成逼真的可驾驶人体化身。

May, 2024

本文提出了第一个基于图像的全身穿着人群生成模型，通过从大规模图像数据库中学习生成模型，我们克服了人体姿态、形状和外观方面的高变异性挑战，并提出了一种可分解生成模型以生成逼真的人物图像。该方法有效地实现了数据驱动的人物生成方法。

May, 2017

我们提出了 SCULPT，一种新颖的针对穿着衣服和贴图的人体 3D 网格的生成模型。

Aug, 2023

本研究提出了一种基于轮廓的人体服装建模和纹理预测系统，使用深度生成模型重建穿着服装人体的完整 3D 模型，其中使用 2D 轮廓和 3D 关节来描述人体的形状复杂性和变化，再通过条件生成对抗网络预测背景面纹理，实验证明该模型是一种有效的表示方法。

Dec, 2018