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

提出了首个具有统一扩散过程的分层式 3D 人体生成模型 HumanLiff，通过神经渲染和生成模型在三维人体生成方面取得了显著的进展。

Aug, 2023

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

CLOTH3D 是第一份大规模的 3D 服装人体序列的综合性合成数据集，并提供了基于条件变分自编码器和图卷积的生成模型，实现了在任何姿势和形状下逼真生成 3D 服装。

Dec, 2019

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

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

本文提出了一种新颖的文本到头像生成方法，分别生成人体和服装，并允许对生成的头像进行高质量的动画。与最近的文本到头像生成方法不同的是，我们的方法将人体、发型和服装分别表示，以克服联合表示方法对编辑或动画等下游任务的挑战。通过提出的 Sequentially Offset-SMPL (SO-SMPL) 模型，我们成功地实现了人体和服装的物理对齐。然后，我们设计了一种基于 Score Distillation Sampling (SDS) 的蒸馏框架，从文本提示生成所提出的 SO-SMPL 表示。与现有的文本到头像方法相比，我们的方法不仅在纹理和几何质量以及与文本提示的语义对齐上取得了更高的性能，还显著提高了角色动画、虚拟试穿和头像编辑的可视质量。

Dec, 2023

DreamAvatar 是一个生成高质量、可控制姿态的 3D 人类头像的框架，它使用了可训练的 NeRF 生成 3D 点密度和颜色特征以及预先训练的文本到图像扩散模型提供 2D 自监督。通过 SMPL 模型提供粗略的姿势和形状指导生成，并引入了包含规范空间和观察空间的双重空间设计，它们之间由 NeRF 学习的变形场联系，从规范空间将优化的纹理和几何转移到目标位置头像，添加正常一致性正则化以获得更生动的几何和纹理。经过广泛的评估，证明 DreamAvatar 明显优于现有方法，为文本和形状引导的 3D 人体生成设立了新的技术水准。

Apr, 2023

本文提出一种名为 Text2Human 的控制性框架，用于基于文本的生成高质量和多样化的人类图像。在此框架下，我们建立了一个分层的纹理感知码书，以存储不同类型纹理的多尺度神经表征，并使用混合专家的扩散变换采样器采样码书中的索引。通过使用细粒度文本输入，生成的图像具有更高的质量和更多的多样性，拥有比现有方法更好的性能。

May, 2022

通过 ClotheDreamer, 一种基于高斯的方法，从文本提示中生成可穿戴的、适合生产的 3D 服装，可用于虚拟试穿和支持精确动画。

Jun, 2024