通过引入 Deferred Neural Rendering 和 Neural Textures,本文提出一种新的渲染模型,可以快速准确地合成出高质量的视觉效果,即使输入的 3D 内容不完整嘈杂,同时可以在多个应用领域内进行使用,例如在新颖的视角合成,场景编辑和面部复制等方面。
Apr, 2019
本文提出了一种综合的神经方法,用于从密集的多视角视频中重建、压缩和渲染人类表演。该方法桥接了传统的动画网格工作流和一类高效的神经技术,其中包括神经表面重构器和混合神经跟踪器,并实现了各种带宽设置下的从动态纹理到光图渲染的渲染方案,展示了其在各种网格应用和各种平台的逼真自由视点体验中的有效性。
Sep, 2022
提出了一种分析合成方法,用于快速多视角不透明物体的三维重建,通过将表面表示为三角形网格并围绕三角形光栅化和神经阴影构建可微分的渲染管道,优化三角形网格和神经着色器来重现多视图图像,并研究了着色器,发现它学习了可解释的外观表示。
Dec, 2022
利用深度卷积神经网络提取中层特征,从高分辨率人脸数据库中拟合特征的凸组合,从而生成 photorealistic texture map,以实现从低分辨率输入图像中合成高逼真度的 3D 人脸渲染模型,并进行了广泛的验证。
Dec, 2016
介绍 Deformable Tetrahedral Meshes (DefTet) 作为一种特殊的参数化,利用容积四面体网格用于重建问题,该方法可以同时达到高精度、容积、可学习神经架构,并且可以产生比替代容积方法小得多的网格大小的高保真重建。
Nov, 2020
提出了一种基于 3D 可变形模型和生成对抗网络的面部综合模型,使用普适化方法将几何数据映射到二维平面,实现了对数字扫描的几何数据高效处理,在人类纹理参数空间中生成逼真的面部纹理和它们的对应几何图形,从而获得了新的高分辨率 3D 面孔。
Aug, 2018
本文介绍了一种新的人类视频合成方法,通过两个卷积神经网络(CNNs)明确分离 2D 屏幕空间中的人类嵌入和时间相干的细节,其中第一个 CNN 预测一个动态纹理映射,第二个 CNN 条件下第一个 CNN 的输出生成最终的视频。 该方法被应用于人类重演和单目视频的新视图合成等多个领域,并且在质量和数量方面都有显着的提高。
Jan, 2020
该研究利用神经纹理提取和分布操作,实现了人物图像综合控制,进一步实现外形的可控制性。
Apr, 2022
本研究提出了一种新的框架,用于学习几何纹理统计知识以生成具备放射性的深层特征,使得可以实现在不同层次上的网格顶点位移及纹理转移。
Jun, 2020
通过单目视频实现高分辨率物理材质纹理和三角网格的人体模型的获取并结合多视角图像合成的信息融合策略,通过神经隐式表达生成可编辑的变形人体模型。
May, 2024