SNeRF:用于 3D 场景的风格化神经隐式表示
本文提出了一种新的双向学习框架用于 3D 场景风格化,结合 2D 图像风格化网络和 NeRF,并引入了一种一致性损失函数来迁移 NeRF 的一致性先验知识到 2D 风格化网络中。实验结果表明,这种方法在视觉质量和长程一致性方面优于现有方法。
May, 2022
ArtNeRF 是一种从三维感知生成对抗网络 (GAN) 派生的新型人脸风格化框架,通过利用表达能力强的生成器合成风格化人脸,并利用三分支鉴别器模块改善生成的人脸的视觉质量和风格一致性,通过对比学习实现一个基于风格编码器来提取风格图像的稳健低维嵌入,以赋予生成器对各种风格的知识,并通过自适应风格融合模块平滑跨域迁移学习的训练过程,实现了图像的高分辨率实时渲染。大量实验表明,ArtNeRF 在生成任意风格的高质量三维人脸方面具有通用性。
Apr, 2024
本文提出了一种叫做 NeRF 综合的新任务,利用 NeRF 补丁范例的结构内容构建大尺寸的新辐射场,我们提出了一种两阶段的方法来综合新场景,控制场景的照明效果采用阴影指导而不是分离场景,我们表明了我们的方法可以生成高质量的结果,对曲面上的新场景进行综合,增强了我们所提出的 NeRF 综合方法的实用性。
Jun, 2023
本文提出了一种基于 Neural Radiance Fields 的 3D 场景风格化方法,包括了使用超网络将样式信息转移入场景表示、使用隐式表示模型将场景分离成几何和外观分支,并采用两阶段训练和修补子采样方法优化模型以在任意视角生成具有所需风格的场景。
May, 2021
提出了 StyleNeRF,这是一种考虑到 3D 空间的生成模型,可用于在未结构化的 2D 图像上进行高分辨率照片般逼真的图像合成,其能够通过整合神经辐射场(NeRF)到基于样式的生成器中来解决高分辨率图像合成方面的挑战,同时保持 3D 一致性。
Oct, 2021
本文提出了 NeRF-Art,一种基于文本引导的 NeRF 风格化方法,采用新型的全局 - 局部对比学习策略和方向约束相结合的方法来实现同时控制目标样式的轨迹和强度的几何和外观变化,并采用一种重量正则化方法来抑制产生云状伪影和几何噪点的情况。
Dec, 2022
我们提出了一种基于局部风格转移的 NeRF 风格化框架,利用哈希网格编码来学习外观和几何组件的嵌入,并通过优化外观分支并保持几何分支固定来实现风格化,使用分割网络和二分图匹配来建立样式图像和内容图像之间的区域对应关系,实验证明我们的方法在新视角合成方面得到了合理的风格化结果,并通过操纵和自定义区域对应关系具有灵活的可控性。
Sep, 2023
本文提出了一种 4D(3D 和时间)人体视频风格化的方法,该方法在同一个框架内解决了风格转移、新视角合成和人体动画的问题。通过利用神经辐射场(NeRFs)来表示视频,我们可以在渲染特征空间中进行风格化处理,从而实现对于新视角和新姿势的泛化。实验证明,该方法在风格纹理和时间连贯性方面取得了出色的平衡,优于现有方法,并可以适应新的姿势和视角,成为创作人体视频风格的多功能工具。
Dec, 2023
通过优化基于编码的场景表示与目标风格之间的关联,本文提出了一种针对稀疏视图场景的粗 - 精稀疏场景风格化框架,并采用内容强度退火的优化策略,实现了对稀疏视图场景的高质量风格化和更好的内容保留,通过大量实验验证了方法在风格化质量和效率方面的优越性。
Apr, 2024
NeRF 技术可以从 2D 图像中学习场景的 3D 隐式模型,并合成逼真的新视角图像。本研究分析了过去三年中涉及 NeRF 图像渲染质量改进的最新相关论文,探讨了质量改进方法背后的技术原理,并讨论了质量改进方法未来的演进方向,有助于研究人员快速了解该领域技术的当前状态和演进背景,对于激发更高效算法的开发和推动 NeRF 技术在相关领域的应用具有帮助。
Jan, 2024