全身人像一键风格化
本文提出了一种基于数据的解决方案来构建全身肖像风格化系统,通过新颖的数据准备方法,实现了高质量的全身肖像风格化,同时解决了以往方法中存在的一些问题。
Oct, 2022
本文提出了一种新方法,称为 StylePoseGAN,用于合成具有姿势和部位外观显式控制的照片真实感的人类图像,并能够将其用于虚拟换装、动作模仿和新视角合成等应用中。
Feb, 2021
本文提出了一种基于封闭形式解法的图像风格化方法,解决了现有方法在实现风格转移的同时保持图像真实性、避免不一致性及异常的问题。实验结果表明,该方法生成的风格化图像质量更高且计算速度更快。
Feb, 2018
本文提出了一种使用非样式化虚拟人形变形训练,再通过本文中引入的半监督形状理解和隐式姿态变形模块,实现对来自其他类型非样式化形体的样式化角色的姿态转移,实现无需标注对应点的零样本学习。同时,引入了一种基于体素的测试训练过程,加强了对四足动物类别等注释罕见类别样式化人形的逼真变形。
May, 2023
本研究提出了从单张照片推断出详细的全身人体形状的简单而有效的方法,其将形状回归转化为图像转换问题,并使用纹理图来估计细节的法线和位移图,能够将细节添加到低分辨率的光滑身体模型中,尽管仅使用合成数据进行训练,但该模型在真实世界的照片上表现良好。
Apr, 2019
本文介绍了一个用于一次性 3D 肖像样式转移的框架,可以在仅需要一幅不同样式图像的情况下,生成具有几何和纹理风格的 3D 面部模型,而不是一整套相关样例。本文探索了两个阶段,以利用三位面部关键点转换来捕捉粗略的几何样式,并利用差分渲染器,在多视角框架下 对规范纹理进行样式转移。实验表明,我们的方法在不同的艺术风格上取得了稳健的结果,并优于现有的方法。
Apr, 2021
本文提出了一种新的姿态转换方法,通过使用组合神经网络,预测人的轮廓,服装标签和纹理,并在推理时利用训练有素的网络生成一个外观及其标签的统一表示,以对姿势变化做出响应,并使用背景完成外观的呈现,从而实现保留人物身份和外观,具有时间上的一致性和泛化能力。
Dec, 2020
本文提出了一种利用辅助预训练人脸识别模型的嵌入特征来促进图像风格转移算法将内容图像中的人脸特征传播到最终风格化结果,以解决现有方法在整个风格化过程中难以保留人脸的个体特征的问题。
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
该论文探讨了一次性人脸风格化的复杂问题,通过利用自监督视觉转换器和适应 StyleGAN 生成器进行精细调整,实现了在结构上具有鲁棒性和一致性的面部风格化,达到了显著的效率优势。
Mar, 2024