本研究提出了一种数据驱动的方法，使用条件生成对抗网络来实现真实服装的高保真度仿真，可用于身体动画等应用。

Aug, 2018

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

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

本文提出了一种用于测量微风中布料潜在物理特性的迭代反复优化过程算法，其中心思想为通过模拟观察现象并比较当前模拟与真实世界的差异来更新物理模型参数，以模拟布料在风中的运动，采用一种嵌入函数确定相似性，并引入谱层将视频容量分解为其时间谱功率和相应频率。实验证明该方法比基于真实世界视频的布料材料属性和外部风力测量任务的之前的工作表现更好。

Mar, 2020

本文提出了一种使用深度学习自动获得服装姿势空间变形基础的方法，以用于衣物的模拟动画，并展示了这种方法的高效性和可扩展性。

Dec, 2020

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

本研究介绍了一种利用隐式神经表征的新型各向异性布料回归技术，其中包括创新的无网格抽样方法和新颖的对抗训练方案，以更好地捕捉细节布料纹理并保持计算效率。实验结果表明，在相同内存限制下，本方法在建模高度细节化的布料皱纹时始终超过传统的离散表示。

Nov, 2023

通过引入几何约束和基于物理的模型，本文解决了现有方法中的不逼真的问题，并提出了适用于所有服装类型的几何感知的服装皮肤方法。

Dec, 2023

通过物理嵌入学习框架，使用卷积神经网络代表物体之间的空间相关性，并通过三个分支学习布料物理的线性、非线性和时间导数特征，模型通过与传统模拟器或子神经网络相结合，测试在不同的布料动画案例中达到与基准值的一致性和预测的真实性，同时提高了推理效率，可与其他视觉细化技术整合应用于三维布料动画。

Mar, 2024

通过构建生成管道和算法，我们提供了首个大规模的合成数据集，其中包含115,000个关键数据点，涵盖了多种常见服装类别的设计和多样化的身体形状，并应用了三种不同的纺织材料，从而解决了学习处理服装方面存在的数据缺乏问题，实现了可扩展性的自动化3D服装披肩。

May, 2024