多层不可见服装披肩网络
本文介绍一种参数化服装表示模型，它可以处理多层服装，并且使用 2D 和 3D 参数化定义服装形状来实现不同 iability，这种组合比纯隐式表面表示更快，重建结果更高质量，并且支持通过修改 2D 面材质实现快速编辑服装形状。
May, 2023
本文提出了一种名为 LayersNet 的数据驱动方法来对多层服装进行建模并以微物理系统中的粒子相互作用为驱动，引入一种新的旋转等效变换以更好地模拟外部力，最终通过一个包含 700K 帧的数据集 D-LAYERS 进行验证并展示出优异的表现。
May, 2023
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
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
本文在 RGB 布料生成已有深入研究的基础上，探讨了 3D 服装生成的问题。我们构建了一个条件变分自编码器用于 3D 服装生成和披挂。通过金字塔网络以逐步添加服装细节并在一个规范化空间中（即对服装进行解除姿态和形状）的方式来进行研究。我们研究了在表面法线 UV 贴图上进行网络条件化，作为中间表示，这比优化 3D 坐标问题更容易。我们在两个公开数据集（CLOTH3D 和 CAPE）上的结果表明，我们的模型具有鲁棒性，在细节生成方面可控性好，通过使用多分辨率金字塔，能够实现最先进的结果，并且即使使用少量数据进行训练，也能高度概括到未见过的服装、姿势和形状。
Nov, 2023
该论文提出了一种名为 GarNet 的两流体系结构，利用深度网络从三维点云中提取不同级别的服装特征，并将其与从三维物体并行提取的特征融合，以建模衣物 - 身体交互，最终可在 100 倍速下生成视觉上合理的服装形状，同时平均三维点距离少于 1 厘米，可用于不同类型衣服的建模。
Nov, 2018
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
本文介绍了一种解决数字化人物着装的解决方案，该方案可以通过神经网络在测试时直接生成逼真的动态服装图像序列，以解决现有工作流程中重复性高且耗时的问题，并且可以在新的身体形状和背景图像下进行微调，并提供了与现有神经渲染和图像序列转换方法的定量比较。
Feb, 2021
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