Jan, 2024

Dress-Me-Up: 一个用于自监督三维服装再定位的数据集和方法

PDF
TL;DR我们提出了一种新颖的自监督框架，用于在任意形状和姿势的三维人体化身上重定向非参数化的三维服装，实现三维虚拟试穿。我们引入了基于 Isomap 嵌入的对应匹配方法，以获得两个网格之间的粗略对齐，并在自监督环境下进行精细对齐的神经改进。此外，我们利用 Laplacian 细节整合方法来保留输入服装的内在细节，通过使用包含 255 种真实噪声和拓扑变形的真实世界服装数据集来评估我们的三维非参数化服装重定向框架，并展示了其在非参数化服装和人体化身上优于现有最先进方法的重定向质量，在该数据集上作为非参数化三维服装重定向的首个基准。
3d virtual try-onself-supervised frameworknon-parametric garmentsisomap embeddinglaplacian detail integration
发现论文，激发创造
  • SNUG: 自监督神经动态服装

    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

  • 通过生成式三维服装模型实现自监督碰撞处理，用于虚拟试穿

    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

  • Deep Fashion3D: 从单张图像重建三维服装的数据集与基准测试

    Deep Fashion3D 是迄今为止最大的 3D 服装模型集合，包含 2078 个模型和丰富的注释信息，并引入了一种新的单视角服装重建方法。

    Mar, 2020

  • 3DPeople: 建模穿着衣服人的几何形状

    本文提出了一种从单张照片中预测着装人体几何形状的新方法，包括三个关键点：一个新数据集，一个新的形状参数化算法和一个端到端的深度生成网络。

    Apr, 2019

  • 全卷积图神经网络用于参数虚拟试穿

    提出了一种基于全卷积图神经网络的学习方法，用于虚拟试穿应用。该方法可以适用于许多服装类型，并使用几何深度学习方法对 3D 服装进行拟合。通过对目标物体形状和材料进行建模，我们的模型学习了更精细的细节，提高了试穿模型的性能。

    Sep, 2020

  • NeuralTailor：从服装的 3D 点云中重建缝纫图案结构

    该研究论文介绍了使用服装缝合图案和面向点的注意力模型 NeuralTailor，来解决在 SocialVR、表演捕捉和虚拟试衣等领域中，虚拟世界中真实服装重建的挑战。

    Jan, 2022

  • 基于 RGB 图像的三维虚拟服装建模

    本文提出了一种新颖的方法，可以从照片中构建 3D 虚拟服装模型，通过利用多任务学习网络 JFNet 以及语义部件来提取颜色纹理信息，进行虚拟现实和混合现实的应用。

    Jul, 2019

  • CLOTH3D: 服装三维人体

    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

  • Multi-Garment Net: 从图像中学习为 3D 人物着装

    该研究介绍了一种名为 MGN 的多服装网络模型，利用 SMPL 模型，通过视频中几帧图像（1-8）预测身体的形状及所穿服装，该模型能够更好的控制身形和服装的关系。为了训练 MGN，研究人员利用一个数字化的衣柜，该衣柜中包含了 712 件数字化服装模板以及真实人物在不同姿势、身着不同服装时的 3D 扫描数据。该数字化衣柜、MGN 模型以及 SMPL 模型的代码均可公开获取。

    Aug, 2019

  • TailorNet：利用人体姿势，形状和服装风格预测 3D 服装模型

    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