May, 2023

Shap-E: 生成有条件三维隐式函数

PDF
TL;DRShap-E 是一种基于条件生成模型的 3D 资产生成方法，其直接生成可以呈现为纹理网格和神经辐射场的隐式函数参数，能够在几秒钟内生成复杂和多样化的 3D 资产，并已通过对 Point-E 模型进行比较，证明其收敛速度更快且显示质量可媲美或更优。
发现论文，激发创造
  • GET3D: 从图像中学习高质量 3D 纹理形状的生成模型

    GET3D 是一种 3D 生成模型，能够直接生成具有复杂拓扑结构、丰富几何细节和高保真纹理的显式纹理 3D 网格，从而显著改进了以往的方法。

    Sep, 2022

  • 基于形状 - 图像 - 文本对齐潜在表示的 Michelangelo 条件 3D 形状生成

    本文提出利用对齐预处理的方法来生成 3D shape，通过 shape-image-text-aligned space 对三种模态进行转换，并且通过两种模型提升生成效果

    Jun, 2023

  • En3D：从 2D 合成数据雕刻 3D 人体的增强生成模型

    通过以人为基础的准确物理建模，我们提出了一种增强的生成方案 En3D，能够从合成的平衡、多样化和结构化的人类图像中，准确地模拟具有逼真外观的通用化 3D 人物。

    Jan, 2024

  • Make-A-Shape：一个千万级的三维形状模型

    这篇论文介绍了 Make-A-Shape，一种用于高效训练的新型 3D 生成模型，它能利用 1000 万个公开可用形状，并通过波克树表示将形状紧凑地编码，并通过扩散模型生成形状。这种模型不仅在高质量结果方面超越了现有技术水平，而且能够在几秒内高效生成形状。

    Jan, 2024

  • 生成形状模型的隐式场学习

    本文提出了一种基于隐式场的解码器 IM-NET 来提高生成形状的视觉效果， 通过替换传统解码器，通过 IM-AE 进行表示学习和 IM-GAN 进行形状生成，可以在概念建模、插值和单角度 3D 重建等任务中获得更优秀的结果。

    Dec, 2018

  • 零样本草图生成 3D 形状

    This paper explores the use of pre-trained models and synthetic renderings to generate 3D shapes from sketches without the need for paired datasets, demonstrating the effectiveness of the approach for generating multiple 3D shapes per input sketch regardless of their level of abstraction.

    Jul, 2023

  • SHAP-EDITOR: 指导的潜在三维编辑技术，秒级完成

    我们提出了一种新颖的前馈 3D 编辑框架，名为 Shap-Editor，通过利用 2D 图像编辑网络的蒸馏过程，结合适当的潜在空间进行直接的 3D 编辑，构建了一个仅需约一秒编辑时间的前馈编辑网络。

    Dec, 2023

  • GIFS: 用神经隐式函数进行通用形状表示

    本文提出了一种名为 GIFS 的新方法，通过模拟点之间的关系而不是点和表面之间的关系，以表示包括非水密形状和多层表面形状在内的一般形状，实验结果表明，在重建质量、渲染效率和视觉保真度方面，GIFS 的性能优于之前的最先进方法。

    Apr, 2022

  • 多图表生成式表面建模

    介绍了一种基于深度神经网络的三维形状生成模型，利用基于多参数化的张量数据表示来实现高质量的三维形状学习并生成新形状，适用于人体和骨 (牙齿) 形状生成。

    Jun, 2018

  • GEM3D：三维形状合成的生成方法

    GEM3D 是一种新的深度、拓扑感知的 3D 形状生成模型，通过神经骨架为基础的表示编码形状拓扑和几何信息，生成更准确的拓扑和几何信息的表面，并应用于形状综合和点云重建任务，取得了显著的表面重建和多样化形状生成结果。

    Feb, 2024