CVPRFeb, 2018

立体神经风格迁移

PDF
TL;DR本文介绍了第一种尝试进行立体神经风格转移的方法，该方法通过在非遮挡区域强制进行双向差异约束，使用新的差异损失将风格损失函数整合起来，通过联合训练风格化子网络和差异子网络提出了第一个前向网络，并将其扩展到立体视频，同时考虑时间相干性和差异一致性，该方法在定量和定性上明显优于基线算法。
stereoscopic neural style transferbidirectional disparity constraintfeed-forward networkocclusion mask estimationstereoscopic videos
发现论文，激发创造
  • 神经立体图像风格迁移

    本文提出了一种新颖的双通路神经网络，旨在解决立体图像的风格转移的问题，该方法通过特征聚合策略在两条路径之间共享信息，利用多层视图损失强制实现双视图一致性，实验表明该方法相比之前的方法表现更好。

    Feb, 2018

  • 3DSNet：无监督形状到形状的 3D 风格转换

    本研究提出了一种基于分离内容和风格表示的基于学习的方法，用于在 3D 对象之间进行风格转移，可以合成以目标 3D 模型为风格，来源 3D 模型为内容的新 3D 形状，同时我们还将其扩展到了多样式分布的隐式学习。实验结果证实了该方法在多个基准测试中的有效性。

    Nov, 2020

  • 3D 照片风格化：从单张图像学习生成风格化新视角

    本文提出了一个深度模型，在场景的点云表示中学习基于几何感知的内容特征，以生成高质量且在视图上具有一致性的艺术化图像，从而实现了从单个图像到任意风格化图像的 3D 照片艺术化生成，并在定性和定量研究中展示了方法的优越性。

    Nov, 2021

  • 基于样式的无监督单张图像明确 3D 人脸重建

    本文旨在提出一种解决由于深度歧义和遮挡而导致的从单个图像推断三维物体结构的无监督方法 ——Unsupervised 2D 到 Explicit 3D Style Transfer (UE3DST)，我们提出了一个通用的对抗学习框架，通过将 Wu 等人的无监督明确 3D 重建网络和 StarGAN-v2 之类的生成对抗网络 (GAN) 进行合并，我们在三个面部数据集 (Basel Face Model、3DFAW 和 CelebA-HQ) 上进行实验，结果表明我们的解决方案能够胜过 DepthNet 在 3D 重建和 Pix2NeRF 在条件样式转移方面已经建立的解决方案，相比之下，我们的方案产生了用于明确 3D 渲染的特征，可以在下游任务中进行操作和利用。

    Apr, 2023

  • 实时通用光真实风格迁移的联合双边学习

    基于深度神经网络的较慢的最新方法限制实际分辨率，或仍包含可感知的瑕疵，我们在这里提出了一种新的端到端模型，用于光影逼真的风格转移，其快速且产生逼真的结果，与现有最先进的方法相比，我们的方法产生了视觉上更好的结果，速度提高了三个数量级，并在移动手机上实现了 4K 的实时性能。

    Apr, 2020

  • NeRF-Supervised 深度立体

    使用神经渲染技术构建的数据集来训练深度立体网络，使其能够预测锐利且详细的视差图，并在 Middlebury 数据集上优于现有的自监督方法。

    Mar, 2023

  • StyleMesh：室内三维场景重建的风格转换

    本研究基于场景重建的网格应用风格转移技术，让用户能够在虚拟现实中欣赏以喜欢的艺术家绘画风格来呈现的三维环境。研究通过对场景网格的纹理进行优化并从所有可用的输入图像上共同进行风格化，实现了一致性和稳定性风格化表现。

    Dec, 2021

  • 显著性感知立体视频重定标

    提出了一种基于深度学习的无监督立体视频重定向网络，使用 1D 卷积平移显著对象并使用立体视频 Transformer 辅助重定向过程，在 KITTI 立体 2012 和 2015 数据集上进行了广泛的定量和定性实验，相比现有的最先进方法，取得了更高的有效性。

    Apr, 2023

  • 基于 RGBD 图象的图像风格化实现

    研究应用深度信息与 RGB 图像的热力图在风格迁移中，提出了一种新的方法，通过与传统神经网络的比较，发现其实现更为真实的图像。该方法可应用于各种计算机视觉应用中，以产生更逼真的图像。

    May, 2023

  • DispSegNet: 借助语义实现从立体影像端到端的视差估计学习

    本文提出了一种用于改善深度估计的 CNN 体系结构，该体系结合语义分割任务。所提出的模型是使用无监督方法进行训练的，并采用双目摄像系统的图像对。实验表明，使用语义分割的嵌入可以提高深度估计的性能

    Sep, 2018