OSTeC: 单次纹理补全
利用 TexDreamer 模型,我们通过有效的纹理自适应微调策略将大型文本到图像模型转化成语义化 UV 结构,在保留其原始泛化能力的同时,能够在数秒内生成高保真度的 3D 人体纹理。此外,我们还介绍了包含 50k 高保真度的纹理及文本描述的 ATLAS 高分辨率 3D 人体纹理数据集。
Mar, 2024
本文提出了一种基于端到端学习策略的方法,利用行人重新识别作为感知度量,生成单张人体图像的纹理贴图,实验结果表明,我们的模型可以从单张图像中生成纹理贴图,并证明我们的纹理比其他可用方法生成的质量更高,我们还将应用范围扩展到其他类别,并探索了我们生成的纹理的可能利用途径。
Apr, 2019
该论文提出了一种使用深度卷积神经网络训练面部 UV 图完成模型的框架,从而实现更好的面孔识别表现。该方法通过附加完成的 UV 图到安装的网格并生成任意姿态的实例,增加了姿态变化以训练深度面部识别 / 验证模型,并在测试期间最小化姿态差异,证明了对于有完整 UV map 数据集的人脸库,其具有极高的人脸识别准确率。
Dec, 2017
本文提出了一种使用深度卷积神经网络和生成对抗网络重建人脸纹理和形状的新方法,以及一种自监督回归方法用于较快的拟合过程,展示了可生成高频细节的写实和身份保留的 3D 面部重建。
May, 2021
本文提出了一种基于 3D 面部建模和高分辨率 GAN 的无监督框架,旋转面部并在 2D 平面上重新渲染以增强数据,并实现现实世界中单视角图像集合下的逆向旋转合成,模型表现出卓越的合成质量和身份保护性能,可以作为现代人脸识别系统的数据增强引擎。
Mar, 2020
本文利用深度学习模型和生成对抗网络技术,在 UV 空间下重建面部纹理,并通过优化参数和预先训练的深度身份特征进行监督来实现高保真和身份保留的 3D 面部重建,同时在高频细节方面实现了面部纹理重建的最高成果
Feb, 2019
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
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
本研究旨在实现通过 IF-Nets 模型进行基于局部和全局深度特征提取,从部分三维纹理和已完成几何体上完成 3D 纹理的完整。我们的模型成功地用靠近已完成几何体的内插法来处理丢失的纹理部分,并在 SHARP ECCV20 挑战中取得了最高表现。
Sep, 2020
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