CVPRDec, 2021

StyleSDF: 高分辨率 3D - 一致性图像和几何体生成

PDF
TL;DR利用 StyleGAN2 图像生成架构和基于 SDF 的三维卷积网络，我们提出一种高分辨率、一致性的三维图像和形状生成技术，称为 StyleSDF，用于从单视角 RGB 数据生成高分辨率图像和细节的三维形状模型。
stylesdf3d generationstylegan2sdf-based networkview-consistent images
发现论文，激发创造
  • 基于隐式 SDF 的 StyleGAN 3D 形状生成

    介绍了一种基于 StyleGAN2 的深度学习方法来生成三维形状，称为 SDF-StyleGAN，使用隐式有符号距离函数（SDF）作为三维形状表示，并引入两种新的全局和局部形状鉴别器，在形状几何和视觉质量方面显著提高了性能。

    Jun, 2022

  • GSDF：3DGS 引入 SDF 以提升渲染与重构

    提出了一种新的双分支结构 GSDF，它将 3D 高斯喷洒（3DGS）表示法的灵活和高效与神经符号距离场（SDF）相结合，通过相互指导和联合监督来缓解它们的局限性，并在各种场景上展示了我们的设计能够更准确、更详细地重建表面，并同时使 3DGS 渲染受益于与底层几何更加一致的结构。

    Mar, 2024

  • Intrinsic3D： 高质量的 3D 重建，通过联合外观和几何优化，带有空间变化照明

    本文提出一种新的方法，可同时优化几何编码、纹理以及材料和场景照明，以从消费级 RGB-D 传感器中获得高质量的 3D 重建。

    Aug, 2017

  • 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

  • GenS：多视角图像的通用神经表面重建

    我们提出了 GenS，一个端到端的通用神经表面重建模型，可以通过结合有符号距离函数（SDF）和可微体渲染，将多视图图像无需 3D 监督进行表面重建。与现有解决方案相比，我们的表示更强大，能够恢复高频细节并同时保持全局平滑性。同时，我们引入多尺度特征度量一致性，以在更具区分性的多尺度特征空间中施加多视图一致性，从而抵抗光度一致性的失效。我们还设计了一种视角对比损失，通过将密集输入中的几何先验精炼到稀疏输入中，强制模型对少视角覆盖的区域具有鲁棒性。在流行的基准测试上进行的大量实验证明，我们的模型能够很好地推广到新场景，并且胜过现有的最先进方法，即使那些使用地面真实深度监督的方法。

    Jun, 2024

  • Geo-Neus: 多视角重建的几何一致神经隐式曲面学习

    该论文提出了一种几何一致的神经隐式表面多视图重建方法，该方法利用多视觉几何约束和稀疏几何结构信息，结合有符号距离函数优化，以获得高质量的表面重建结果。

    May, 2022

  • Sketch3D：风格一致指导的草图生成三维模型

    该论文提出了一种名为 Sketch3D 的新型生成算法，通过形状保持生成过程实例化给定的草图，根据参考图像推断出粗糙的三维高斯先验，并生成基于三维高斯的多视角一致性引导图像，通过三种策略优化三维高斯，从而生成具有真实感的三维资产并与输入一致。

    Apr, 2024

  • GeoGen：通过带符号距离函数的几何感知生成建模

    我们介绍了一种新的生成方法，通过单视图集合合成三维几何和图像。使用神经辐射场的体积渲染预测是目前现有方法的主要限制之一。为了解决这个问题，我们提出了一种基于有向面积函数的三维生成模型 GeoGen，通过学习可改变的转换并将渲染深度图与 SDF 的零级集限制一致性，从而在生成模型上实现更高保真度的细节。实验结果表明，GeoGen 相较于基于神经辐射场的以前的生成模型，在几何上产生了更好的视觉和数量化结果。

    Jun, 2024

  • 神经几何细节层：使用隐式三维形状的实时渲染

    本篇研究提出了一种基于八叉树的特征体积的神经无人机距离函数模型，实现了高保真的 3D 形状实时渲染，且在多个方面表现出全球领先的复杂形状重建质量与渲染效率。

    Jan, 2021

  • 三维生成模型的镶嵌 —SDF 方法

    本文介绍了一种新的 3D 形状表示方法，名为 Mosaic-SDF（M-SDF），它通过使用一组分布在形状边界附近的局部网格来近似给定形状的有符号距离函数（SDF）。M-SDF 表示具有高效计算、参数效率和与基于 Transformer 的架构兼容等优点，在 3D 生成流模型的训练中展示了其有效性。

    Dec, 2023