GETAvatar 是一个用于生成可动画的高质量纹理和几何结构的人型化身的生成模型,通过使用显式表面建模的关节式 3D 人体表示和学习自 3D 扫描数据的 2D 法线图以实现细致的表面细节,并通过基于光栅化的渲染器实现高分辨率图像生成。
Oct, 2023
我们提出了一种从图像中学习具有人物特定的可动画化角色模型的方法,旨在解决面部表情追踪失败的问题,并实现高保真度的图像合成。
Nov, 2023
本文提出了一种从 2D 图像生成逼真的 3D 人物的新方法,并使用多个辨别器和 2D 法线图形式的几何线索来训练模型,取得了在几何和外观方面超过以前 3D 和关节感知方法的性能,通过系统的消融研究验证了模型的有效性和每个组件的重要性。
May, 2023
这篇论文提出了一种新方法,使用前向蒙皮模块和对抗网络模型,仅从少量生动的数据中学习生成多样化的 3D 人形模型,以便能够更自然地生成身着不同服装的人形模型,并且还可用于将人形模型拟合到原始扫描数据上。
Jan, 2022
通过 AvatarStudio 生成高质量的、可动画的 3D 人物头像,首先使用低分辨率的基于 NeRF 的表示进行初步生成,然后结合 SMPL 引导关节活动增加明确的网格表示并支持头像动画和高分辨率渲染,在结果头像中引入基于 DensePose 的 2D 扩散模型以确保视角一致性和姿态可控性,利用 AvatarStudio 可以从文本中生成高质量的头像并具备动态效果,优于之前的方法,并且适用于多模态头像动画和风格引导头像创作等多个应用。
DreamAvatar 是一个生成高质量、可控制姿态的 3D 人类头像的框架,它使用了可训练的 NeRF 生成 3D 点密度和颜色特征以及预先训练的文本到图像扩散模型提供 2D 自监督。通过 SMPL 模型提供粗略的姿势和形状指导生成,并引入了包含规范空间和观察空间的双重空间设计,它们之间由 NeRF 学习的变形场联系,从规范空间将优化的纹理和几何转移到目标位置头像,添加正常一致性正则化以获得更生动的几何和纹理。经过广泛的评估,证明 DreamAvatar 明显优于现有方法,为文本和形状引导的 3D 人体生成设立了新的技术水准。
Apr, 2023
基于非结构化的 2D 图像集合,我们提出了一种可调节面部表情、头部姿势和肩膀运动的三维感知生成对抗网络,该网络能够生成多样且高质量的三维头像。
Sep, 2023
本文提出了一种基于参数化网格人体模型和神经纹理的新型全身人体化身,证明了神经纹理能够成功地建模衣服和头发,并展示了如何使用反向传播从视频的多个框架创建这些化身,进一步提出了一种适用于人体化身的生成模型,能够从人们的图像和视频数据集中进行训练,可以随机生成人体化身以及从一到几张图片中创建穿着着装的人体化身。
Apr, 2021
XAGen 是首个能够实现对人体、脸部和手部进行表达控制的三维生成模型,通过多尺度、多部分的三维表示和多部分渲染技术,该模型在真实性、多样性和表达控制能力方面超过了现有状态 - of-the-art 方法。
用动态的 3D 高斯人物场景在复杂运动和动态阴影中实现高质量的重建,具有较短的训练时间、绘制速度和重建质量。