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
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
本文提出了一种新的生成模型，用于 3D 服装变形，能够学习一种数据驱动的虚拟试穿方法，并成功地解决了服装和身体之间的碰撞问题。通过使用服装的规范空间来训练生成模型，实现了一种自我监督的碰撞术语，可以可靠地解决服装和身体之间的相互渗透。
May, 2021
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
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
我们提出了一种从现实世界图像中生成逼真服装模型的方法，不论服装的形状或变形如何，该方法利用从合成数据中学习的形状和变形先验准确地捕捉服装的形状和变形，包括较大的变形，并直接应用于动画和模拟等下游应用。
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
基于变形分解的服装生成模型，能够高效地模拟松散服装的变形，生成带有复杂姿势驱动的变形效果，并通过对高频皱纹的增强模块进行反对抗训练，实验结果表明该方法优于现有的数据驱动方法。
Dec, 2023