基于参考的非真实感辐射场用于可控的场景风格化
FPRF 是一种用于大规模三维神经辐射场的前馈光真实主义风格转移方法,它可以使用任意数量的风格参考图像对大规模三维场景进行风格化,同时保持多视角外观的一致性。它通过引入风格分解的三维神经辐射场来高效地风格化大规模三维场景,支持任意风格参考图像,并使用语义对应匹配和局部 AdaIN 实现多参考风格化,并通过在三维空间中直接应用语义匹配和风格转移过程来维持多视角的一致性。实验证明,FPRF 能够以高质量实现对大规模场景进行光真实主义风格化。
Jan, 2024
本文提出了一种针对三维场景的逼真风格转移框架,可以通过 2D 样式图片实现 3D 场景的逼真样式转移,并使用波束特征优化三维场景并联合优化高层次网络,以实现任意风格图片的场景逼真样式转移,并证明该方法在视觉质量和一致性方面优于现有方法。
Aug, 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
Ref-NeRF 通过替换 NeRF 的视角相关的出射辐射参数化为反射辐射参数来提高 NeRF 方法表示高光表面外观的准确性,并且使用一系列空间变化场景属性来构造该函数结构,同时结合法线向量的正则化,可以实现更加真实和准确的高光反射,此外,我们的模型的内部表示也具有可解释性,用于场景编辑。
Dec, 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
该论文提出了一种将任意风格图像的艺术特征传输到 3D 场景中的方法,采用了更为鲁棒的辐射场表示进行运算并通过最近邻法进行损失计算,同时采用一种新的延迟反向传播方法进行内存密集的辐射场优化,改善了以往的技术。
Jun, 2022
本文提出了一种使用神经辐射场(NeRF)编辑工具进行图像修补的方法,仅需要一个修补后的场景参考视图和模板,通过新颖的渲染技术和基于图像修补工具的方法,可以在非参考视图上构造视图相关的效果,提供了更好的修补性能和用户控制。
Apr, 2023
提出了一种称为 LipRF 的学习框架,该框架利用 Lipschitz 映射,升级任意 2D PST 方法用于 3D 场景,并在光线场重建和 2D PST 的先验下学习 Lipschitz 网络以进行预训练外观的风格化,实验证明 LipRF 在照片逼真 3D 美学和物体外观编辑方面具有高质量和鲁棒性能。
Mar, 2023