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

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

通过使用描述性文本启示和个性化模型，TeCH提出了一种混合的三维重建方法，用于重建细节丰富的衣着人物的未见区域，并在重建准确性和渲染质量方面优于现有方法。

Aug, 2023

通过将高容量的二维扩散模型与形状引导扩散相结合并利用逆渲染技术，从单一图像中逐步合成多个视角的完全纹理化高分辨率三维网格，实现了广泛的服装人物360度合成的照片级别结果。

Nov, 2023

使用单个参考图像生成3D人体模型是具有挑战性的，本文提出了一种从单视角输入生成3D人体模型的框架HumanRef，通过引入参考引导评分蒸馏采样（Ref-SDS）方法有效地将图像指导纳入生成过程，实现了生成具有精细几何结构、逼真纹理和视角一致性的3D服装人物。

Nov, 2023

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

本研究提出了一种新的3D人体生成模型StructLDM，通过在高维潜空间中建模人体的语义结构和拓扑，从而实现可控的3D人体生成和编辑，包括姿势/视角/形状控制、合成生成、服装编辑和虚拟试穿等。

Apr, 2024

我们提出了一种名为FashionEngine的互动式3D人体生成和编辑系统，可以与人类与世界互动的方式一致地设计3D数字人体，并包括预训练的3D人体扩散模型、多模态-UV编码和多模态-UV对齐采样器等关键组件。

Apr, 2024

本文通过逐层式的人体服装表示和渐进优化策略，从文本描述生成3D穿衣人模型，以实现高质量的分离效果，并支持虚拟试穿等应用。

Apr, 2024

本研究解决了现有3D人类生成方法对复杂服装和分层生成人物的局限性，提出了一种基于物理解耦的扩散模型的分层服装表示。创新的层级融合体积渲染和SMPL驱动的隐式场形变网络相结合，使得我们的模型能够有效实现虚拟试穿和分层人类动画，从而推动了3D人类生成技术的发展。

Aug, 2024