该研究提出了一种基于文本描述的三维人体生成方法，采用跨模态注意力将构成人体渲染与提取的时尚语义融合，以控制服装的形状、面料和颜色，实现对三维人体的高效控制和生成。

May, 2023

通过使用描述性文本启示和个性化模型，TeCH提出了一种混合的三维重建方法，用于重建细节丰富的衣着人物的未见区域，并在重建准确性和渲染质量方面优于现有方法。

Aug, 2023

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

基于新颖的物理解耦-语义感知扩散模型，本文提出了一个文本驱动的分层式3D人体生成框架，可以生成具有一致身体结构的3D人体，同时允许分层式的自由编辑。

Dec, 2023

通过引入基于GPT的体系结构SewingGPT，结合文本条件嵌入和跨注意力，我们的框架可通过自然语言交互生成与计算机生成图形友好的服装。通过与其他最先进方法的综合评估和比较，我们的方法展示了最好的质量和输入提示的一致性。用户研究进一步验证了我们高质量的渲染结果，突显了它在实际生产环境中的实用性和潜力。

Jan, 2024

我们介绍了Garment3DGen，一种从基础网格中合成3D服装资产的新方法，通过单个输入图像作为指导，用户可以根据真实和合成图像生成3D纹理服装。使用Garment3DGen，用户可以生成所需的纹理3D服装而无需艺术家干预。

Mar, 2024

我们提出了一种名为FashionEngine的互动式3D人体生成和编辑系统，可以与人类与世界互动的方式一致地设计3D数字人体，并包括预训练的3D人体扩散模型、多模态-UV编码和多模态-UV对齐采样器等关键组件。

Apr, 2024

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

本研究提出了一种名为GarmentDreamer的新型方法，它利用3D高斯喷雾（GS）作为指导，从文本提示中生成适用于仿真的3D服装网格。与使用由生成模型直接预测的多视图图像作为指导相比，我们的3DGS指导确保了服装变形和纹理合成的一致优化。通过全面的定性和定量实验证明了我们方法的有效性，并展示了GarmentDreamer相对于现有最先进方法的卓越性能。

May, 2024

从文本描述中创建和定制3D着装化身是一个关键且具有挑战性的任务。传统方法通常将人体和服装视为不可分割的，限制了用户自由混搭服装的能力。为了应对这一限制，我们提出了一种精心设计的框架LAyered Gaussian Avatar（LAGA），它能够创建具有各种服装的高保真分解化身。通过将服装与化身解耦，我们的框架使用户能够在服装级别方便地编辑化身。我们的方法通过使用一组高斯点组织成分层结构来对化身建模，其中每一层对应于特定的服装或人体本身。为了生成每层的高质量服装，我们引入了一种分层生成多样化服装的粗糙到精细的策略，以及一种新的双SDS损失函数，以保持生成的服装与化身组件（包括人体和其他服装）之间的一致性。此外，我们引入了三个正则化损失来指导高斯点的运动，实现服装转移，使得服装能够自由地转移到各种化身上。大量实验表明，我们的方法在生成3D着装人物方面超过了现有方法。

May, 2024