我们提出了一种新方法,利用网格作为指导机制来编辑神经辐射场,通过可微的多面体网格提取和可微的颜色提取,从显式网格到隐式场实现了梯度反向传播,使用户能够轻松操作神经辐射场的几何和颜色。通过引入基于八叉树的结构来优化用户控制性,实现了对神经隐式场的细粒度编辑,并适应了各种用户修改,包括对象添加、部件删除、特定区域变形以及局部和全局颜色调整。通过各种场景和编辑操作的广泛实验,我们展示了我们方法的能力和有效性。
Dec, 2023
本文探讨一种新方法 -- 变形感知正则化 -- 以更好地学习隐式神经表示形式,使其对隐式表示形式的变形具有可接受的合理性,并演示了其在如柔性变形等问题中的良好效果。
Aug, 2021
本文介绍了用于神经隐式场的 Lipschitz 正则项,以促进其对良好变形处理的优化,并在 3D 形状插值、外推以及部分重构相关应用中与现有技术和基准模型相比取得更优的量化和定性结果。
Feb, 2022
本文提出了一种用于神经隐式表面的简单参数化的新型神经算法,以促进可视化和各种编辑任务,并支持多个对象的共同参数化和纹理传递。
Oct, 2023
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
通过使用一个可微分的、准静态的、基于物理学的仿真层,以神经网络参数化为特征,本论文利用活动软体对形态施加内部驱动机制。关键贡献是通过定义一个函数实现空间点在材料空间中到激励值的连续映射,从而提供了捕获信号主导频率的特性。扩展了隐式模型到下颚运动学,特别是面部动画的情况,并展示了能够可靠地复制用高质量捕捉系统记录的面部表情的能力。我们将该方法应用于体积软体、人体姿势和面部表情,证明了对艺术家友好的属性,如在测试时对潜在空间的简单控制和解析度不变性。
Jan, 2024
本篇研究提出了一种名为 ENS 的表面重构方法,使用一系列神经形变场逐步将连续输入表面转换到目标形状,通过 Laplace-Beltrami 本征函数和标准外部傅里叶特征进行表征,具有实时性能和高质量的网格抽取能力。
Jun, 2023
本文介绍了一种新颖的隐式位移场在 3D 几何形状的表达及重构中的应用,它将一个复杂的表面表示为一个平滑的基础表面及一个沿着基础表面法线方向的位移,实现了高低频信号的分解,提高了表达能力、训练稳定性及泛化性。
Jun, 2021
通过引入神经模拟者方法,将显式四面体网格与多重网格隐式场相结合,我们提出了一种有效编辑神经隐式场的方法,实现形状的变形、合成和生成,同时保持复杂的体积外观,展示了其在 3D 内容创作和操作领域的潜力。
通过基于部件的隐式形状模型,我们设计了一种可以控制 3D 头像的方法,可以推断局部语义 Rig,包括面部特征,通过局部控制丰富了隐式形变字段,使其具有更强的局部控制性能。
Apr, 2023