SkimmingNet 是一个采用 Two-Stream Graph Neural Network 结构的端到端模型，旨在计算输入模型和关联的骨架的皮肤权重，同时不考虑提供的模型的形状类别和结构。实验结果表明 SkimmingNet 在性能方面优于当前最先进的替代方案，该网络应用了 Multi-Aggregator Graph Convolution 对具有不同拓扑结构的模型具有很好的泛化性能。

Mar, 2022

该研究通过骨骼运动网络来预测宽松服装网格的变形，包括低频和高频的变形，并可估算仿真参数变化引起的衣服变形，证明了该方法优于现有方法。

May, 2022

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

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

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

通过使用实时数值算法来粗略地近似动态模式，然后使用神经网络重建表面并通过准静态神经网络添加高频变形，以实现对松散服装的实时性能改进。

Apr, 2024

本文提出了一种基于局部身体结构表征的人体运动长期和短期预测方法 (SkelNet 和 Skel-TNet)，实验证明这两种方法对于多种人体运动任务（Human3.6M 数据集和 CMU 运动捕捉数据集）有相当好的预测效果。

Feb, 2019