本文提出了一种名为神经剪发的方法,可以从单眼视频或多视角图像中恢复出具有高逼真度和个性化的发型,该方法有两个阶段并通过不同 iable renderer,通过隐式体积表示对粗糙的头发和胸围形状及发型方向,以及头发的先验进行精确的几何重建,从而解决了现有方案面临的挑战。
Jun, 2023
本文介绍了一种使用神经网络从单一图像中建立高保真度的 3D 头发模型的方法,通过使用两种不同的神经网络,IRHairNet 和 GrowingNet,来实现头发几何特征的推测和 3D 头发丝的生成,从而取得了最先进的性能表现。
May, 2022
采用神经网络处理的图像合成方法,通过人工繁琐的建模,渲染和复合形成目标发型的三维几何形状来合成真实的面部毛发变化,使用户能够通过简单的引导笔画来进一步指导和修整所生成的图像。此方法不仅可以控制结构和颜色特征,而且发夹名单可以灵活地扩展和生成高保真头皮发。
Apr, 2020
使用深度学习方法生成三维头发几何结构,性能实时,能恢复局部细节,并引入碰撞损失以合成更合理的发型。
Jun, 2018
本文提出了一种名为 Neural Strands 的新型学习框架,它可以从多视角图像输入中准确地建模头发的几何形状和外观,并提出了基于神经头皮纹理的新型头发表示和基于光栅化的新型神经渲染框架,可以同时实现外观和外显头发几何学的联合学习。
Jul, 2022
本文介绍了一种新的人类视频合成方法,通过两个卷积神经网络(CNNs)明确分离 2D 屏幕空间中的人类嵌入和时间相干的细节,其中第一个 CNN 预测一个动态纹理映射,第二个 CNN 条件下第一个 CNN 的输出生成最终的视频。 该方法被应用于人类重演和单目视频的新视图合成等多个领域,并且在质量和数量方面都有显着的提高。
Jan, 2020
本文提出了一种基于混合形状几何、动态纹理和神经渲染的照片级头部模型的文本 / 语音驱动动画的新方法,该动画方法基于有条件的 CNN 将文本或语音转换为一系列动画参数。
我们提出了 HAAR,一种基于链式的 3D 人类发型生成模型,通过文本输入生成可用于现代计算机图形引擎中的 3D 发型,并通过定性和定量研究,演示了该模型的能力并与现有发型生成方法进行了比较。
Dec, 2023
通过优化方法无需预先训练即可实现准确重建真实世界数据中头发的多个关键方面,包括与修复方式和逆渲染相关的技术。
Mar, 2024
该论文提出了一种从图像中直接学习神经场景表示的框架,通过引入一种强制要求该场景表示对于 3D 变换等变的损失函数,使得我们可以实时推断和渲染场景,并在标准 ShapeNet 基准测试上获得了很好的结果。
Jun, 2020