本文提出了一种针对多层服装的模型,通过映射其在人体模型的 UV 贴图上,将其拓扑结构独立化处理,并加入了基于 GNN 的网络,实现不同层次间的互动关系建模,从而成功实现了对真实服装重建的高性能模拟。
Apr, 2023
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
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
通过 Layered Gaussian Avatars (LayGA) 提出将衣物和人体作为两个独立层次表示的方法,从多视角视频中实现真实感的可动衣物迁移,以实现高质量的几何重建、真实感渲染以及虚拟试穿,并在性能上优于其他基线方法。
May, 2024
通过多视角捕捉视频对具有显式服装表示的可动衣物人形头像进行建模,采用二层网格表示注册每个 3D 扫描,通过时序卷积网络来预测衣物潜在编码以实现人体动力学和服装状态的交互作用。
Jun, 2021
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
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。
Mar, 2020
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
ClothesNet 是一个大规模的 3D 服装对象数据集,注释包含服装特征、边界线和关键点,可用于计算机视觉和机器人交互任务。通过该数据集,我们为服装感知建立了基准任务,并在机器人交互任务中开发了模拟服装环境,并展示了 ClothesNet 在现实世界实验中的功效。
Aug, 2023
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