CVPRMar, 2023

StyleRF: 零样本 3D 神经辐射场风格迁移

PDF
TL;DR提出了一种具有更高 3D 风格转移质量的 StyleRF 技术，该技术在辐射场的特征空间内进行样式转换，实现了准确的几何重建、高质量的风格化和具有拓展性的任意新样式的生成。
3d style transferstylerfgeometry reconstructionfeature spacezero-shot style transfer
发现论文，激发创造
  • StyleDyRF：0 增动态神经辐射场的零迁移

    StyleDyRF 是一种处理动态场景的 4D 样式转移方法，通过变形规范特征体积并使用数据驱动的方式学习线性样式转换矩阵，从而在零样本的情况下生成 4D 逼真的样式转移结果，并在视觉质量和一致性方面优于现有方法。

    Mar, 2024

  • 语义风格化辐射场

    我们提出了一种从任意图像向 3D 场景中的物体转移风格的方法，旨在通过最近邻损失的运用实现更加可定制和风格化的场景图像创作，并确保多视角一致性。

    Sep, 2023

  • S-DyRF：基于参考的动态场景风格化辐射场

    提出了 S-DyRF，一种基于参考的时空风格化方法，通过引入时间伪参考进行粗略和细致的风格转移，实现了动态 3D 场景的合理风格化结果

    Mar, 2024

  • ConRF: 基于辐射场的三维场景零翻译风格化

    利用文本或视觉输入作为条件因素，本文旨在实现 3D 场景中的零样式条件下的控制式灵活化。我们介绍了一种新方法 ConRF，通过将 CLIP 特征空间映射到预训练 VGG 网络的样式空间并进一步将 CLIP 多模态知识转化为样式转换神经辐射场，从而消除了现有 3D NeRF 样式转换方法中的再训练需求。此外，我们使用 3D 体积表示进行局部样式转换。通过结合这些操作，ConRF 可以利用文本或图像参考，生成经由全局或局部样式增强的新视图序列。实验证明，ConRF 在 3D 场景和单文本样式化方面的视觉质量优于其他现有方法。

    Feb, 2024

  • UPST-NeRF：基于神经辐射场的三维场景通用光真实风格迁移

    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

  • FPRF: 大规模 3D 神经辐射场的前馈逼真风格转移

    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

  • ARF: 艺术辐射场

    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

  • 风格化辐射场的几何传递

    通过使用深度图提取风格指南，然后应用于放射场的几何样式化，本文介绍了一种名为几何传递的新方法，旨在通过几何变形实现三维样式传递，从而增强美学表现力并更准确地反映预期的风格。大量实验证明，几何传递能够实现更广泛、更富有表现力的风格化范围，从而显著扩展了三维样式传递的范畴。

    Feb, 2024

  • MM-NeRF：多模态引导的三维多风格神经辐射场转换

    本文提出了一种名为 MM-NeRF 的新颖多模态引导的 3D 多风格迁移方法，通过投影多模态引导到 CLIP 空间并提取多模态风格特征来指导多风格的风格化，同时使用多头学习方案（MLS）解决了多风格迁移的不一致性和提升了风格化的质量。

    Sep, 2023

  • CoARF：可控的 3D 艺术风格转移方法用于辐射场

    通过半自动的算法，我们提出了可控的艺术辐射场，可以生成用户指定对象的风格转移，艺术作品中对三维场景进行转化具有更高的质量与精确度。

    Apr, 2024