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

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

我们提出了一种新颖的自监督框架，用于在任意形状和姿势的三维人体化身上重定向非参数化的三维服装，实现三维虚拟试穿。我们引入了基于 Isomap 嵌入的对应匹配方法，以获得两个网格之间的粗略对齐，并在自监督环境下进行精细对齐的神经改进。此外，我们利用 Laplacian 细节整合方法来保留输入服装的内在细节，通过使用包含 255 种真实噪声和拓扑变形的真实世界服装数据集来评估我们的三维非参数化服装重定向框架，并展示了其在非参数化服装和人体化身上优于现有最先进方法的重定向质量，在该数据集上作为非参数化三维服装重定向的首个基准。

Jan, 2024

基于变形分解的服装生成模型，能够高效地模拟松散服装的变形，生成带有复杂姿势驱动的变形效果，并通过对高频皱纹的增强模块进行反对抗训练，实验结果表明该方法优于现有的数据驱动方法。

Dec, 2023

我们介绍了 Garment3DGen，一种从基础网格中合成 3D 服装资产的新方法，通过单个输入图像作为指导，用户可以根据真实和合成图像生成 3D 纹理服装。使用 Garment3DGen，用户可以生成所需的纹理 3D 服装而无需艺术家干预。

Mar, 2024

我们提出了一种使用隐式曲面表示衣服、学习受关节体模型形状和姿势参数影响的蒙皮场的端到端可微管道来处理任意拓扑衣物的方法，并提出了一种防止体 - 衣物相互穿插和减少艺术品的预处理策略和新的训练损失。经实验证明，我们的方法相比于现有的方法，可以更准确地重建和变形服装，并且可以通过图像观测共同恢复身体和服装参数。

Sep, 2022

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

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

通过引入几何约束和基于物理的模型，本文解决了现有方法中的不逼真的问题，并提出了适用于所有服装类型的几何感知的服装皮肤方法。

Dec, 2023

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