Wir schlagen eine Methode vor, die Graph-Neuralnetze, mehrstufigen Nachrichtenaustausch und unüberwachtes Training nutzt, um die Echtzeit-Vorhersage realistischer Kleidungsdynamik zu ermöglichen. Während bestehende Methoden, die auf linearem Blend-Skinning basieren, für spezifische Kleidungsstücke trainiert werden müssen, ist unsere Methode unabhängig von der Körperform und kann sowohl auf eng anliegende als auch auf lose sitzende, fließende Kleidungsstücke angewendet werden. Unser Ansatz beherrscht zudem topologische Veränderungen (z.B. Kleidungsstücke mit Knöpfen oder Reißverschlüssen) und Material-Eigenschaften zur Inferenzzeit. Als wesentliche Beiträge schlagen wir ein hierarchisches Nachrichtenaustauschschema vor, das steife Dehnungsmodi effizient verbreitet, während lokale Details erhalten bleiben. Wir zeigen empirisch, dass unsere Methode quantitativ starke Baseline-Methoden übertrifft und dass ihre Ergebnisse als realistischer wahrgenommen werden als die der aktuellen Standesder Technik.