RigNeRF: 全控制神经网络 3D 肖像
CoDyNeRF 是一个在现实世界的采集条件下创建完全可控的 3D 肖像的系统,通过在规范空间中基于预测的表面法线和面部表情与头部姿态变形的条件下近似光照相关效果的动态外观模型来学习,它使用 3DMM 法线作为人头粗略法线的先验之一来引导表面法线预测,只需要使用手机拍摄的短视频进行训练,我们展示了该方法在具有明确头部姿态和表情控制以及逼真光照效果的肖像场景的自由视图合成中的有效性。
Sep, 2023
本文提出了一种从单张头像照片中估计神经辐射场(NeRF)的方法,该方法使用亮度舞台肖像数据集预训练多层感知机(MLP)的权重,通过 3D 面部可塑模型逼近标准坐标空间以提高对未知面孔的泛化性能,并对其进行了定量评估,表明其对真实肖像图像的泛化效果优越。
Dec, 2020
基于 NeRF 的人体表演姿态依赖渲染的新方法,通过将辐射场围绕 SMPL 人体模型进行扭曲,实现了新的表面对齐表示,可以通过骨骼关节参数和视点来实现动画化,并通过引入新的重新映射过程来实现高质量渲染。
Nov, 2023
本文提出了可动态变化神经辐射场 (animatable NeRF) 的方法用于从单眼视屏中创建细节丰富的人物角色,通过引入显式姿势引导变形的方式学习场景表示网络扩展神经辐射场 (NeRF) 到带有人体运动的动态场景,并展示了该方法在人物几何和外观重建、真实感渲染和动画设计等方面取得了突破性成果。
Jun, 2021
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
提出了 MoFaNeRF 模型,它将自由视角图像映射到编码的面部形状、表情和外观的向量空间中,实现了照片级面部合成,有助于面部拟合、随机生成、面部编辑和新视角合成等多个应用。
Dec, 2021
提出一种名为 HeadNeRF 的新人头模型,该模型利用神经辐射场来代替传统的 3D 网格,生成高保真的头部图像,并通过设计新的损失函数和将 2D 神经渲染与 NeRF 的渲染过程相结合,提高了渲染速度和准确性。
Dec, 2021
本文提出了一种新的框架,即结构位移特性和语义感知学习模块,来改进 NeRF 的不足之处并成功处理未见过的表情,实现了从稀疏图像中合成逼真的三维人脸形象,并在定量和定性上比当前艺术水平领先。
Jun, 2023
本文提出了一种简单而有效的方法,使用多视角图像作为条件输入,训练出适用于不同人的可泛化 NeRF,该方法的关键部分是将规范空间与输入和目标图像相连,并利用参数化的 3D 人体模型来导出变形,本方法在实现新视角合成和姿势动画任务方面表现出了很好的效果。
Mar, 2022