采用逆渲染和逆物理学相结合的方法，PhysAvatar 能够建立逼真的数字人物模型，特别是穿着松散的衣物并能在未见过的动作和光照条件下生成高质量的新视角渲染效果。

Apr, 2024

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

本文提出了一个高效的三维服装化身重建框架。该框架通过高精度的基于优化的方法和高效的基于学习的方法相结合，以从单个图像中实现高保真度的服装化身重建为目标。通过在规范空间中以基于学习的方式使用隐式模型来学习人的一般形状，并通过以优化方式在姿态空间中估计非刚性变形来细化表面细节，使用超级网络来生成良好的初始化，从而极大地加速了优化过程的收敛。在各种数据集上的大量实验表明，所提出的服装化身重建框架成功地为现实场景中的任意穿着的人类产生了高保真度的化身。

Apr, 2023

AvatarFusion 利用一个潜在的扩散模型，同时从头到脚地生成人类逼真的头像，并将衣服与人物身体分割开来。AvatarFusion 包括第一个脱离衣物的神经隐式头像模型，该模型采用了新的双体积渲染策略，将脱离衣物和衣物子模型在一个空间中渲染。我们还引入了一种新的优化方法，称为 Pixel-Semantics Difference-Sampling（PS-DS），该方法在语义上将身体和衣物的生成分开，并生成各种服装风格。此外，由于我们的模型脱离了衣物，因此我们可以更换头像的衣服。

Jul, 2023

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

我们提出了 CaPhy，一种用于重建具有逼真动态属性的可动画人体角色的新方法，重点是捕捉衣物的几何和物理属性以及在真实观察中应用新颖的动作，以物理正确的变形和皱纹覆盖人体角色，通过与物理损失的非监督训练以及使用扫描数据的三维监督训练结合的方式重建具有物理逼真性和符合人体扫描的衣物的动态模型，同时通过引入物理损失的梯度约束来优化扫描数据下潜在物理模型的物理参数，与之前的 3D 角色重建工作相比，我们的方法能够泛化到具有逼真的动态布料变形的新动作，对多个主题进行的实验表明我们的方法能够估计服装的物理属性，从而得到优于之前方法的定量和定性结果。

Aug, 2023

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

本研究介绍了一种神经迭代最近点（N-ICP）算法，通过稀疏的 RGB-D 输入和身体及面部运动，能够准确地驱动动态移动的宽松服装，从而创建具有逼真外观的虚拟角色模型。我们通过与最近的图像驱动合成基准的比较和对 N-ICP 算法的全面分析来评估我们的方法，并展示了我们的方法在新的测试环境中的泛化能力，同时保持了产生高保真度和真实服装动态外观的能力。

Oct, 2023

这篇论文提出了一种新方法，使用前向蒙皮模块和对抗网络模型，仅从少量生动的数据中学习生成多样化的 3D 人形模型，以便能够更自然地生成身着不同服装的人形模型，并且还可用于将人形模型拟合到原始扫描数据上。

Jan, 2022

本文提出了一种方法，将人体模型与可微分渲染相结合，从多视点 RGB 视频中创建可动态的穿着衣服的人形化身，其具有细节化的几何结构，并且能够适应超出分布范围的姿势。

Oct, 2022