从 2D 样本中学习神经网络 3D 纹理空间
本文提出了一种新颖的纹理合成框架,可以根据 2D 示例图像生成无限高质量的 3D 纹理,通过训练深度神经网络模型进行纹理生成,其中采用了结合样式迁移和生成对抗网络思想的新型损失函数,将分析网络深度特征的 Gram 矩阵与合成网络匹配,同时还提出了两种架构概念和外推策略以提高泛化性能,并通过定量和定性评估以及用户研究证实了其胜于先前最先进模型的性能。
Jun, 2020
本研究提出了第一种用于生成有纹理的 3D 网格的生成模型,并且引入了一种全新的 3D 网格生成过程,以保证不会出现自交问题,我们在合成数据和自然图像上进行了广泛的实验,结果表明我们的方法成功学习生成了五种具有挑战性的物体类别的合理和多样化的纹理 3D 样本。
Apr, 2020
本文提出了一种基于 GAN 框架生成纹理三角形网格的方法,可以不依赖关键点注释,同时在 ImageNet 上设置了新的基准,相比基于真实关键点的先前方法性能相当。
Mar, 2021
本文提出使用不同 iable rendering 技术生成三角网格和相关高分辨率纹理贴图的框架,以单视角自然图像为 2D 监督,并将网格和纹理编码为 2D 表示,以便使用 2D 卷积 GAN 进行建模,并在 Pascal3D + Cars 和 CUB 上展示了方法的有效性及其评估方法。
Jun, 2020
本文提出一种基于神经网络参数化的连续 3D 函数的纹理表示方法 Texture Fields,可以用于高频纹理重建和与现代深度学习技术的自然融合,并在条件纹理重建和纹理生成模型学习方面表现出色。
May, 2019
自动 3D 面部纹理生成的新方法使用渐进潜在空间改进的方式,通过增强生成对抗网络(GANs)和分数蒸馏采样(SDS)相互促进,提供更高质量、丰富多样和高效的照片写实 3D 纹理生成。
Apr, 2024
GET3D 是一种 3D 生成模型,能够直接生成具有复杂拓扑结构、丰富几何细节和高保真纹理的显式纹理 3D 网格,从而显著改进了以往的方法。
Sep, 2022
使用名为 3DTextureTransformer 的新颖框架,结合几何深度学习和 StyleGAN 类似的架构,能够在不改变原始高分辨率输入网格拓扑的情况下生成高质量的纹理。该架构在学习来自 3D 几何体和现实世界 2D 图像的情况下,与任意网格拓扑一起工作,取得了该类解决方案中的最新性能。
Mar, 2024
Sin3DM 是一种学习来自单个 3D 纹理形状的内部图案分布的扩散模型,该模型通过压缩输入到低维潜在空间来降低内存和计算成本,然后通过 Triplan 感知 2D 卷积块来训练模型,可以生成较高质量的 3D 形状,还可以用于重定位,外表绘画和局部编辑。
May, 2023
本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法,其中利用 GAN 等深度学习技术实现,从而生成出真实的三维图像,实现了从二维图像向三维图像的转换。
Oct, 2019