Jun, 2022

EpiGRAF: 重新思考 3D GANs 的训练

PDF
TL;DR本文介绍了一种名为 EpiGRAF 的高分辨率，高保真纯 3D 图像生成模型，旨在解决通过训练 2D 解码器进行高清分辨率图像生成的问题，该模型通过基于 patches 的不同比例和空间位置的位置和比例感知辨别器以及基于淬火 Beta 分布的 patch 采样策略的两种方式优化训练，最终取得了业内最先进的图像质量和几何形态 。
发现论文，激发创造
  • 你所看到的就是你 GAN: 用于高保真 3D GAN 中几何渲染的每个像素

    本研究提出了一种扩展神经体素渲染至高分辨率 2D 图像的技术，使得生成对抗网络（GAN）能够以前所未有的细节分辨率合成高分辨率的三维几何物体，并且在维持图像质量的同时保持严格的视角一致性，从而树立了无监督学习 3D GAN 中的三维形状的新标准。

    Jan, 2024

  • SinGRAF：学习单场景 3D 生成辐射场

    SinGRAF 是一种 3D 感知的生成模型，利用一些场景的输入图像进行训练，可生成不同的 3D 场景，同时保持输入外观的不同实现。

    Nov, 2022

  • ImageNet 的 3D 生成

    本文提出了一种基于 3D GAN 的 3D 生成器，采用了不同于以往的数据假设、深度框架和相机模型，在多样化数据集（如 ImageNet）上取得了优于现有技术的纹理和几何质量的结果。

    Mar, 2023

  • 多尺度 GAN 用于内存高效生成高分辨率医学图像

    本文提出一种新的基于多尺度补丁的生成对抗网络方法，用于生成大型高分辨率的医学图像，尤其是 3D 体积，解决了 GANs 对于大规模医学图像的计算需求问题。

    Jul, 2019

  • GRAM-HD: 基于生成光辐射流形的高分辨率三维图像生成

    本文提出了一种新的 3D-aware GAN，通过在最近的生成辐射流多面体（GRAM）方法定义的一组 2D 辐射流多面体上应用 2D 卷积并应用专用的损失函数进行高效 GAN 训练，从而避免了 prohibitively-expensive 的计算成本，并能够以体积渲染的严格 3D 一致性生成高分辨率图像（高达 1024X1024）。与现有方法相比，在 FFHQ 和 AFHQv2 数据集上的实验表明，我们的方法能够产生高质量的 3D-consistent 结果，明显优于现有的方法。

    Jun, 2022

  • 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

  • 用对抗生成模型生成层级高斯模型的三维生成模型

    本文介绍了一种利用高斯表示三维生成对抗网络（3D GANs）的生成器架构，通过引入分层多尺度高斯表示有效地规范了生成高斯分布的位置和尺度，实现了显著更快的渲染速度，并具备可比较的三维生成能力。

    Jun, 2024

  • 使用 3D 生成对抗网络实现脑部 MRI 超分辨率

    该研究使用对抗学习方法，采用基于 SRGAN 模型的 3D 卷积生成高分辨率 MRI 扫描图像，结合最小二乘法的对抗损失和基于均方误差和图像梯度的内容项提高生成图像的质量，并在上采样阶段探索不同的解决方案，具有潜在的 3D 医学成像超分辨率应用价值。

    Dec, 2018

  • 利用混合梯度学习生成合成三维训练数据

    该论文提出了一种基于 “混合梯度” 的新方法来优化基于图像引擎渲染的 3D 训练数据的生成，证明该方法在评估标准基准上可以在计算效率方面优于先前的现有技术。

    Jun, 2019

  • 生成多层平面图像：使 2D GAN 具备 3D 感知能力

    这篇论文通过对传统的 GAN 模型 StyleGANv2 进行尽可能少的改动，引入一个多平面图像生成器和姿态条件鉴别器，实现了一种名为 “生成性多平面图像” 的输出，它的渲染不仅高质量而且保证视角的一致性，并能够在不到半天的时间内以 $1024^2$ 的分辨率训练。

    Jul, 2022