ICCVJul, 2023

创意鸟：无监督单视角三维风格转移

PDF
TL;DR本文提出了一种新方法，用于单视角 3D 风格转换，生成具有形状和纹理转换的独特 3D 对象，主要关注鸟类的 3D 重建，通过引入 DRGNet 和 MLP 构建了一个新型的 3D 鸟类，并使用语义 UV 纹理传输模块实现文本样式转换，最终结果在 CUB 数据集上表现出最先进的性能。
single-view 3d style transfer3d objectshape transfertexture transfersemantic uv texture transfer
发现论文，激发创造
  • 3DSNet：无监督形状到形状的 3D 风格转换

    本研究提出了一种基于分离内容和风格表示的基于学习的方法，用于在 3D 对象之间进行风格转移，可以合成以目标 3D 模型为风格，来源 3D 模型为内容的新 3D 形状，同时我们还将其扩展到了多样式分布的隐式学习。实验结果证实了该方法在多个基准测试中的有效性。

    Nov, 2020

  • 3D 鸟类重建：数据集、模型及来自单视角的形状恢复

    自动捕捉动物姿态正在改变我们对于神经科学和社交行为的学习，本文提出了一种模型和多视角优化方法，用于捕捉鸟类的独特形状和姿态，并引入了一个管道和实验，实现了从单个视角恢复精确的鸟类姿态的关键点、掩码、姿势和形状回归。

    Aug, 2020

  • 3D 照片风格化：从单张图像学习生成风格化新视角

    本文提出了一个深度模型，在场景的点云表示中学习基于几何感知的内容特征，以生成高质量且在视图上具有一致性的艺术化图像，从而实现了从单个图像到任意风格化图像的 3D 照片艺术化生成，并在定性和定量研究中展示了方法的优越性。

    Nov, 2021

  • 3DStyleNet：以几何和纹理风格变化创建 3D 形状

    该研究提出了一种创建三维内容、进行几何和贴图风格变化的方法，借助预先训练的图像样式转换网络和自己的几何样式网络，可实现数据增强与单图像 3D 重构任务。

    Aug, 2021

  • 鸟之好：从图像中捕获鸟类形态模型

    本文介绍了一种使用关节模板和物种的图像来捕捉新物种的方法，重点关注鸟类。通过解开姿态和形状，从图像证据中学习捕捉各物种和每个物种内部变化的形状空间，并使用低维嵌入，展示了所学 3D 形状空间比感知特征更好地反映了鸟类之间的系统关系，并提供了一些新的物种特定和多物种形状模型，有利于下游重建任务。

    May, 2021

  • 基于样式的无监督单张图像明确 3D 人脸重建

    本文旨在提出一种解决由于深度歧义和遮挡而导致的从单个图像推断三维物体结构的无监督方法 ——Unsupervised 2D 到 Explicit 3D Style Transfer (UE3DST)，我们提出了一个通用的对抗学习框架，通过将 Wu 等人的无监督明确 3D 重建网络和 StarGAN-v2 之类的生成对抗网络 (GAN) 进行合并，我们在三个面部数据集 (Basel Face Model、3DFAW 和 CelebA-HQ) 上进行实验，结果表明我们的解决方案能够胜过 DepthNet 在 3D 重建和 Pix2NeRF 在条件样式转移方面已经建立的解决方案，相比之下，我们的方案产生了用于明确 3D 渲染的特征，可以在下游任务中进行操作和利用。

    Apr, 2023

  • 三维室内场景语言引导的语义风格转移

    本文介绍了一种语言引导的 3D 室内场景语义风格转移的方法，基于多层感知机，视觉语言模型，采用渲染和修正的方式实现创新，通过 ScanNet 数据集测试表明，语义信息的引入显著提高了风格转移的品质和用户评分。

    Aug, 2022

  • 基于语义一致性的自监督单视图 3D 重建

    我们提出了一种自监督的，单视图三维重建模型，通过 2D 图像和物体的轮廓预测目标物体的 3D 网格形状、纹理和相机姿势，该方法不需要三维监督，手动注释的关键点，物体的多视图图像或先前的 3D 模板，通过自监督地学习分类特定图像的部分分割，我们可以在重建网格与原始图像之间有效强制实现语义一致性，从而大大减少了模型在预测物体形状、纹理和相机姿态时的歧义，并且我们的模型可以不需要这些标签而轻松地推广到各种物体类别。

    Mar, 2020

  • CLIP3Dstyler: 语言引导的 3D 任意神经风格迁移

    本文提出了一种新的基于语音指导的三维任意神经风格转移方法，通过改进方案解决了传统 2D 和 3D 方法不能解决的问题，匹配点云和语音的不同特征，并提高文本风格可辨别性，在多个场景下实现了高效的风格迁移。

    May, 2023

  • 立体神经风格迁移

    本文介绍了第一种尝试进行立体神经风格转移的方法，该方法通过在非遮挡区域强制进行双向差异约束，使用新的差异损失将风格损失函数整合起来，通过联合训练风格化子网络和差异子网络提出了第一个前向网络，并将其扩展到立体视频，同时考虑时间相干性和差异一致性，该方法在定量和定性上明显优于基线算法。

    Feb, 2018