本文提出了一种基于放射场的生成模型,该模型具有高保真度的可渲染三维一致模型,能够更准确地控制相机视点和物体姿态,并通过一个多尺度基于补丁的鉴别器来演示高分辨率图像的合成。
Jul, 2020
该论文提出了一种基于静态基于点的辐射场的新颖可控人体动作合成方法,通过编码点云转换来应用变形,并利用奇异值分解估计局部旋转以使渲染结果与规范空间训练一致。实验表明,我们的方法在精细级复杂变形方面明显优于现有技术,且可推广到除人物之外的其他 3D 角色。
Oct, 2023
提出使用 3D GAN 框架对人体或脸部特征进行辐射场生成,通过显式变形场将其变形为期望的姿势或表情,并展示了编辑生成体或脸部特征时显式变形训练过程在提高其质量方面的显著优势。
Jun, 2022
本文提出了一种可学习的表示方法,用于形变中保留细节,其核心是一种基于 cage 的形变技术并且结合了神经网络来控制 cage 的变形以保留细节,可在无监督学习的情况下进行训练,并且在形状变化和变形传输方面具有实用价值。
Dec, 2019
本研究提出了一种基于 Neural Radiance Field 的方法,利用显式网格表示与场景的隐式神经表示建立对应关系,使用户可以利用网格形变方法进行可控的形状变形,并合成编辑后的场景的新视角图像。
May, 2022
本文介绍了一种基于神经网络的方法来从单张图片中估计物体的 3D 形状和外观,将其分解成形状和外观两个隐变量,通过优化这两个变量和网络参数,可以精准地还原输入物体,并能够处理训练领域之外的真实图像。
Feb, 2021
描述了一种基于神经辐射场的方法,通过优化连续的体形变场使移动设备拍摄的照片 / 视频重建变形场景,旨在生成高度逼真的渲染图像。实验表明,该方法可使用手机拍摄的自拍照片 / 视频转换成可变形的 NeRF 模型,并在任意视点产生高保真度的视图。
Nov, 2020
本研究提出了一种基于卷积神经辐射场的方法来解决现有方法中存在的问题,在新颖视角综合方面取得了显著的结果。
Jul, 2023
该论文提出了一种通过神经融合权重场和骨骼驱动变形的方法,从多视角视频中重建可动画的人体模型,相较于现有的人体合成方法,该方法具有显著优势。
May, 2021
本研究中,我们介绍了一种新方法,通过联合估计静态和动态辐射场以及相机参数来解决使用 SfM 算法估计相机姿态时的不稳定性问题,实验证明此方法比现有的动态视图合成方法表现优异。
Jan, 2023