FENeRF: 神经辐射场中的人脸编辑
通过分割语义区域并利用神经辐射场学习各自的辐射场,最后合并成完整图像,CNeRF 方法可以实现细粒度的语义区域操作,同时维持高质量的 3D 一致合成。
Feb, 2023
本文介绍了一种新的生成方法 FDNeRF,可以从单个图像重建高质量的 3D 面孔,并具有语义编辑和改变灯光等功能,相比现有的 2D 编辑方法,FDNeRF 取得了更加逼真的结果和前所未有的灵活性。
Jun, 2023
用于编辑 NeRFs 的 LAENeRF 是一个统一框架,以实现对 NeRFs 的逼真和非逼真的外观编辑,采用区域选择的体素网格作为局部编辑的起点,并通过学习从射线末端到最终输出颜色的映射来限制内存需求和实现快速优化,最终实现了颜色重新着色和样式化,并在定量和定性方面超越了基线方法。
Dec, 2023
提出了一种只需要一张源图像就能重建高保真度的三维面部角色建模方法,通过使用 3D GAN 的生成先验和有效的编码器 - 解码器网络来重建源图像的规范神经体积,同时使用补偿网络来补充面部细节,并引入变形场来对面部表情进行精细控制。与多种先进方法相比,实验结果显示合成效果更加优越。
Jul, 2023
本文提出了一个基于动态人脸 GAN-NeRF 结构的新型人脸视频编辑架构,通过利用视频序列来恢复潜在编码和三维人脸几何信息,实现多视角一致性和时序一致性的人脸视频编辑,成为先驱性的 4D 人脸视频编辑器,并在性能上超过现有的基于 2D 或 3D 的方法。
Jan, 2024
通过建立一种名为 InstructPix2NeRF 的端到端扩散型框架,实现对单个开放世界图像的人类指导的三维感知人像编辑,实现了多语义编辑,保存了人像身份信息,并通过身份一致性模块增强了多视角三维身份的一致性,实验证明了该方法在定量和定性上的优越性。
Nov, 2023
该论文提出了一种快速、高质量的单张图像推断和呈现真实感三维重建的方法,使用基于视觉 Transformer 的三面板编码器,利用合成数据进行训练,通过卷积渲染技术对神经辐射场的规范三面板进行重建,可以在具有 3D 感知图像生成器的其他类别中应用。
May, 2023
通过学习结构特征和纹理特征,我们提出了一种新的 VolumeGAN 框架,它能够更好地生成高保真度的 3D 感知图像,并且具有独立控制形状和外观的能力。
Dec, 2021
为了操控 3D 重建的人脸,我们提出了一种使用单个文本进行操作的方法,通过训练场景操控器和空间变化的潜在代码来实现,进而在文本驱动下进行操作,实验证明了这种方法的有效性。
Jul, 2023