Dans cet article, nous présentons SMPLicit, un nouveau modèle génératif permettant de représenter conjointement la posture du corps, sa forme et la géométrie des vêtements. Contrairement aux approches existantes basées sur l'apprentissage qui nécessitent l'entraînement de modèles spécifiques pour chaque type de vêtement, SMPLicit peut représenter de manière unifiée différentes topologies de vêtements (par exemple, des débardeurs à des sweat-shirts en passant par des vestes ouvertes), tout en contrôlant d'autres propriétés telles que la taille du vêtement ou son ajustement/largeur. Nous montrons que notre modèle est applicable à une grande variété de vêtements, y compris les T-shirts, les sweat-shirts, les vestes, les shorts, les pantalons, les jupes, les chaussures et même les cheveux. La flexibilité de représentation de SMPLicit repose sur un modèle implicite conditionné par les paramètres du corps humain SMPL et un espace latent apprenable qui est sémantiquement interprétable et aligné avec les attributs des vêtements. Le modèle proposé est entièrement différentiable, ce qui permet son utilisation dans des systèmes plus larges entraînables bout à bout. Dans la section expérimentale, nous démontrons que SMPLicit peut être utilisé directement pour l'ajustement de scans 3D et pour la reconstruction 3D dans des images de personnes habillées. Dans les deux cas, nous sommes capables d'aller au-delà de l'état de l'art en récupérant des géométries complexes de vêtements, en gérant des situations avec plusieurs couches de vêtements et en fournissant un outil pour une édition facile des tenues. Pour stimuler davantage la recherche dans cette direction, nous mettrons notre code et notre modèle à disposition publiquement sur http://www.iri.upc.edu/people/ecorona/smplicit/.