D-IF: 面向不确定性感知的人体数字化通过隐式分布场
提出了一种名为 PIFu 的像素对齐隐式函数表示法,可以从单张图像中推断出高细节服装人物的 3D 表面和纹理,其精度高、内存占用小、能够处理任意拓扑,并且与输入图像的空间完全对齐。在 DeepFashion 数据集上进行实验,结果显示 PIFu 方法在单幅图像上表现出色,优于之前任何的数字化人像单张图像重建方法。
May, 2019
本文提出了一种方法,通过深度学习的隐式函数和参数表示相结合,重建出具有可控性和高准确性的人体 3D 模型,使得即使加上服装等复杂因素,也能够保证模型的灵活性。
Jul, 2020
利用大规模的无噪声合成数据集作为形状先验来帮助模型填补缺失信息,同时通过引入 Dropsembles 方法进行不确定性估计,我们在神经辐射场、占据网络和符号距离函数等领域进行了一系列实验来验证其有效性,并在低分辨率 MRI 分割中的腰椎案例中展示了 Dropsembles 方法具有与深度集成相当的准确度和校准度但计算成本显著降低。
Jun, 2024
针对动物数字化的挑战,我们介绍了 DRIFu 模型,通过训练一组合成的 3D 动物模型和创新的对齐工具,实现动物形状和纹理的准确预测,并建立共享的形状空间,使得采样、姿势设定、动画和与现实数据对齐成为可能。这一突破性的方法彻底改变了我们全面理解和表征鸟类形态的能力。
Nov, 2023
Tri-directional Implicit Function (TIFu) 是一种矢量级表示方法,通过沿三个正交轴聚合矢量解决了回归固定维度矢量的固有问题,从而在任意分辨率的三维重建中取得了最先进的性能。
Jan, 2024
该研究论文通过多层次结构体系,从高分辨率的图像中提取细节信息、同时观察到低分辨率图像的整体信息,借助深度神经网络尝试解决现有方法在人体三维建模方面存在的精度与准确预测之间的矛盾,实验结果在单幅图像三维建模领域中,显著超越了现有的最先进技术。
Apr, 2020
本文介绍了 UDiFF,一种用于无符号距离场的 3D 扩散模型,能够从文本条件或无条件地生成具有开放表面的纹理化 3D 形状,通过在空间频域生成 UDFs 并采用最佳小波变换,以产生紧凑的 UDF 表示空间。
Apr, 2024
通过引入 IUVD-Feedback 表示法,该论文提出了一种将人体姿态、形状和服装细节同时考虑在内的三维人体表面重构方法,通过替代计算成本高的有符号距离计算,成功地保留了参数化身体先验,并在查询 - 推理过程中加速查询点,从而提高了结果的鲁棒性和查询 - 推理速度。
Jan, 2024
本文提出了 StereoPIFu 算法,它将立体视觉的几何约束与 PIFu 的隐式函数表示相结合,从一对低成本的矫正图像中恢复着装人体的 3D 形状,实验表明与先前的研究结果相比,StereoPIFu 显著提高了着装人体重建的稳健性、完整性和准确性。
Apr, 2021
我们提出了一种新的混合隐式表面表示方法来建模人体形状,该表示方法由两个表面层组成,用于表示穿着衣物的人体的不同区域,我们使用视觉线索自动分割不同区域,并学习重建两个有符号距离函数,我们在不透明区域上执行基于表面的渲染以保留高保真度的表面法线,并在半透明区域上执行体积渲染(例如头发),实验证明我们的方法在 3D 人体重建上取得了最先进的成果,并在其他物体上展示了有竞争力的表现。
Dec, 2023