语义风格化辐射场
提出了一种具有更高 3D 风格转移质量的 StyleRF 技术,该技术在辐射场的特征空间内进行样式转换,实现了准确的几何重建、高质量的风格化和具有拓展性的任意新样式的生成。
Mar, 2023
该论文提出了一种将任意风格图像的艺术特征传输到 3D 场景中的方法,采用了更为鲁棒的辐射场表示进行运算并通过最近邻法进行损失计算,同时采用一种新的延迟反向传播方法进行内存密集的辐射场优化,改善了以往的技术。
Jun, 2022
我们提出了一种基于局部风格转移的 NeRF 风格化框架,利用哈希网格编码来学习外观和几何组件的嵌入,并通过优化外观分支并保持几何分支固定来实现风格化,使用分割网络和二分图匹配来建立样式图像和内容图像之间的区域对应关系,实验证明我们的方法在新视角合成方面得到了合理的风格化结果,并通过操纵和自定义区域对应关系具有灵活的可控性。
Sep, 2023
本文提出了一种针对三维场景的逼真风格转移框架,可以通过 2D 样式图片实现 3D 场景的逼真样式转移,并使用波束特征优化三维场景并联合优化高层次网络,以实现任意风格图片的场景逼真样式转移,并证明该方法在视觉质量和一致性方面优于现有方法。
Aug, 2022
通过半自动的算法,我们提出了可控的艺术辐射场,可以生成用户指定对象的风格转移,艺术作品中对三维场景进行转化具有更高的质量与精确度。
Apr, 2024
StyleDyRF 是一种处理动态场景的 4D 样式转移方法,通过变形规范特征体积并使用数据驱动的方式学习线性样式转换矩阵,从而在零样本的情况下生成 4D 逼真的样式转移结果,并在视觉质量和一致性方面优于现有方法。
Mar, 2024
本文提出了一种新的双向学习框架用于 3D 场景风格化,结合 2D 图像风格化网络和 NeRF,并引入了一种一致性损失函数来迁移 NeRF 的一致性先验知识到 2D 风格化网络中。实验结果表明,这种方法在视觉质量和长程一致性方面优于现有方法。
May, 2022
ARF-Plus 是一种 3D 神经风格转换框架,通过四个不同类型的控制,即颜色保持、比例、空间和深度增强控制,成功实现了对感知因素的可控性,从而实现了在 3D 场景风格化过程中的自定义修改、灵活融合和创建新颖而引人注目的风格效果。
Aug, 2023
通过使用深度图提取风格指南,然后应用于放射场的几何样式化,本文介绍了一种名为几何传递的新方法,旨在通过几何变形实现三维样式传递,从而增强美学表现力并更准确地反映预期的风格。大量实验证明,几何传递能够实现更广泛、更富有表现力的风格化范围,从而显著扩展了三维样式传递的范畴。
Feb, 2024