CVPRDec, 2020

DECOR-GAN：通过条件精化实现 3D 形态细节化

PDF
TL;DR介绍了一种称为 DECOR-GAN 的生成对抗网络，用于三维形状细节增强，通过几何细节的样式实现类似样式化。使用深度学习的方法，将低分辨率的形状增强为富有几何细节的高分辨率形状，从而保留了输入形状的总体结构，同时保证了样式代码的准确输入。
deep generative network3d shapegeometric detail transfergenerative adversarial networkdecor-gan
发现论文，激发创造
  • 高效几何感知的三维生成对抗网络

    使用单视角 2D 照片集合进行高质量多视角一致的图片和 3D 形状的非监督生成一直是一个难题，本文提出了一种混合显式 - 隐式网络架构，用于提高 3D GANs 的计算效率和图像质量，实现了高分辨率实时多视角一致的图像合成，同时产生高质量的 3D 几何体。

    Dec, 2021

  • CTGAN：3D 形状的语义引导条件纹理生成器

    本研究提出了基于语义指导的条件纹理生成器（CTGAN），用于生成具有与视角一致且尊重形状语义的高质量 3D 纹理，通过精细操作潜在编码实现对生成纹理的风格和结构的显式控制，并通过输入分割进一步增强对纹理结构的控制，实验证明 CTGAN 在多个质量评估指标上优于现有的方法，并在有条件和无条件场景下实现了最先进的纹理生成性能。

    Feb, 2024

  • 使用 3D 生成对抗网络和循环卷积网络进行形状修复

    本文介绍了一种结合了 3D 编码器 - 解码器生成对抗网络（3D-ED-GAN）和长期循环卷积网络（LRCN）的混合框架，以 inpaint 具有语义真实性和上下文细节的 3D 模型，实验结果表明，其能够从损坏的模型中重构出完整且高分辨率的 3D 对象。

    Nov, 2017

  • 通过对抗训练实现解耦的三维面部形状模型

    本研究提出了一种基于生成对抗网络的新方法，利用生成器和鉴别器实现面部建模。通过定量和定性结果表明，这种方法能更好地分离面部特征中的自然因素，尤其是身份和表情，并且比现有的最先进方法在解耦和多样性方面表现更优秀。

    Feb, 2019

  • ShaDDR: 基于实例的几何和纹理实时生成 —— 基于 3D 形状详细化和可微分渲染

    用 ShaDDR 算法可以生成高分辨率且纹理清晰的 3D 形状，能够通过学习潜在变量来掌握几何和纹理细节，实现对粗糙体素模型的纹理生成和细节还原，具有更高的分辨率和更清晰的纹理。

    Jun, 2023

  • DeepCAD：用于计算机辅助设计模型的深度生成网络

    提出了基于 Transformer 的 CAD 生成模型，能够自动编码和随机生成 3D 形状，为此创建了一个包含 178,238 个模型的 CAD 数据集，并公开该数据集以促进未来的研究。

    May, 2021

  • 使用对抗网络从图像集合推断三维形状

    通过 projective generative adversarial network（PrGAN）模型，我们可以在无监督学习的情况下，从提供的二维视图中推断出三维形状的概率分布，包括形状、视角和新的视图。

    Jun, 2019

  • 变分 U-Net 用于条件外观和形状生成

    通过结合条件 U-Net 和变分自编码器，实现了基于形状的图像生成。实验表明，该方法在多个数据集上明显优于现有技术，能够在不改变形状的情况下生成新的外观。

    Apr, 2018

  • 使用对抗学习从单深度视图中重建 3D 物体

    本文提出了一种新颖的 3D-RecGAN 方法，使用生成对抗网络从单个任意深度视角重建给定对象的完整三维结构，在高维体素空间中通过结合自动编码器和条件生成对抗网络框架的生成能力恢复物体的准确和细粒度的三维结构。广泛的实验表明，该方法在单视角 3D 物体重建方面明显优于现有技术，且能够重建未被见过的物体类型。

    Aug, 2017

  • 通过风格调制的生成对抗网络实现多样化的形状补全

    通过引入多样性惩罚和多尺度鉴别器，我们提出了一种新颖的条件生成对抗网络，可以从部分观察到的点云中生成多种多样的合理完整形状，这一方法在尊重部分观测的同时获得了更大的完成多样性。

    Nov, 2023