文章主旨：

本文提出了一种创新方法ClotheDreamer，通过解耦服装与人体的3D高斯表示，从文本提示生成高质量、可穿戴的3D服装资产。

关键要点：

• 提出了解耦服装Gaussian Splatting (DCGS)，实现服装与人体的分离优化。
• 通过双向SDS指导监督RGBD渲染，并加入新的宽松服装剪枝策略提高生成质量。
• 支持模板网格引导，增强服装生成的个性化和多样性。
• 生成的3D服装可应用于虚拟试穿及物理精确动画场景。
• 实验与用户研究表明，该方法在文本一致性与服装几何质量上优于其他方法。

内容结构：

1. 研究背景与目标

现有基于扩散的3D服装生成方法具有局限性，如与人体紧密耦合或难以重复使用。本文提出ClotheDreamer，利用3D高斯表示解耦服装与人体，生成可穿戴的3D服装资产，并支持虚拟试穿与动画。

2. 方法

• DCGS表示与初始化：基于SMPL模型的人体语义ID实现服装与人体的解耦优化。
• 双向SDS指导：监督化身与服装的RGBD渲染，并通过新剪枝策略提升宽松服装的生成完整性。
• 模板引导生成：通过自定义模板网格约束生成服装的整体形状与风格。
• 动画化DCGS服装：结合网格先验实现贴身与宽松服装的动画化。

3. 实验与结果

• 定性比较：与现有方法相比，ClotheDreamer生成的服装在细节与材质上更具优势。
• 定量比较：CLIP评分与用户研究显示该方法在文本一致性与质量方面表现最佳。
• 消融研究：验证了双向SDS指导与宽松服装剪枝策略对生成质量的积极贡献。

4. 应用与未来方向

• 服装自动适配不同体型，支持快速虚拟试穿。
• 未来工作包括更精细的解耦优化、缓解颜色过饱和问题及增强3D高斯表示的真实感。

文章总结：

本文展示了ClotheDreamer在3D服装生成领域的创新性与高效性，为虚拟试穿及动画化场景提供新可能，同时指出了未来优化方向。

用户洞察：精准解读用户的真实需求

了解更多

AI生成未来

查看原文：YYDS！数字人终于实现穿、脱衣自由!上大、腾讯等提出3D服装合成新方法：ClotheDreamer

文章来源：

AI生成未来

扫码关注公众号