In dieser Arbeit stellen wir SMPLicit vor, ein neues generatives Modell zur gemeinsamen Darstellung von Körperhaltung, Körperform und Kleidungsgeometrie. Im Gegensatz zu bestehenden lernbasierten Ansätzen, die spezifische Modelle für jede Art von Kleidungsstück erfordern, kann SMPLicit verschiedene Kleidungstopologien (z.B. von ärmellosen Oberteilen bis hin zu Hoodies und offenen Jacken) in einer vereinheitlichten Form darstellen, während gleichzeitig andere Eigenschaften wie die Kleidergröße oder die Enge/Weite kontrolliert werden können. Wir zeigen, dass unser Modell auf eine große Vielfalt an Kleidungsstücken einschließlich T-Shirts, Hoodies, Jacken, Shorts, Hosen, Röcken, Schuhen und sogar Haaren angewendet werden kann. Die Darstellungsflexibilität von SMPLicit basiert auf einem impliziten Modell, das mit den Parametern des SMPL-Körpermodells konditioniert ist und einen semantisch interpretierbaren und mit den Kleidungseigenschaften ausgerichteten latenten Raum besitzt. Das vorgeschlagene Modell ist vollständig differenzierbar und ermöglicht somit seine Verwendung in größeren end-to-end trainierbaren Systemen. Im experimentellen Teil demonstrieren wir, dass SMPLicit sowohl für das Anpassen von 3D-Scans als auch für die 3D-Rekonstruktion in Bildern von gekleideten Personen verwendet werden kann. In beiden Fällen sind wir in der Lage, den Stand der Technik zu übertreffen, indem wir komplexe Kleidungsgeometrien zurückgewinnen, Situationen mit mehreren Kleiderschichten bewältigen und ein Werkzeug zur einfachen Bearbeitung von Outfits bereitstellen. Um weitere Forschungen in diese Richtung zu fördern, werden wir unseren Code und unser Modell öffentlich zugänglich machen unter http://www.iri.upc.edu/people/ecorona/smplicit/.