DressRecon ist eine Methode zur Rekonstruktion zeitlich konsistenter 4D-Humanmodelle aus monokularen Videos, die sich auf die Verarbeitung sehr lockerer Kleidung oder Interaktionen mit Handobjekten konzentriert. Die Technik kombiniert allgemeines Human-A-priori-Wissen (erlernt aus umfangreichen Trainingsdaten) mit einer für einzelne Videos spezifischen „Skelettbeutel“-Deformation (angepasst durch Optimierung während des Tests). DressRecon trennt die Körper- und Kleidungsdeformation durch das Erlernen eines neuronalen impliziten Modells als separate Bewegungsschichten. Um die subtile Geometrie der Kleidung zu erfassen, nutzt es bildbasierte A-priori-Informationen wie Körperhaltung, Oberflächennormalen und optischen Fluss, die während der Optimierung angepasst werden. Das generierte neuronale Feld kann in zeitlich konsistente Netze extrahiert oder weiter zu expliziten 3D-Gauß-Funktionen optimiert werden, um die Renderqualität zu verbessern und interaktive Visualisierungen zu ermöglichen. DressRecon bietet auf Datensätzen mit stark herausfordernden Kleidungsdeformationen und Objektinteraktionen eine höhere 3D-Rekonstruktionsgenauigkeit als bisherige Techniken.