身份模糊化的神经辐射场:保护隐私的 3D 人脸重建
提出了一种只需要一张源图像就能重建高保真度的三维面部角色建模方法,通过使用 3D GAN 的生成先验和有效的编码器 - 解码器网络来重建源图像的规范神经体积,同时使用补偿网络来补充面部细节,并引入变形场来对面部表情进行精细控制。与多种先进方法相比,实验结果显示合成效果更加优越。
Jul, 2023
DecentNeRF 是第一次尝试的去中心化、众包的神经辐射场(NeRFs),与集中式方法相比,它在训练过程中减少了服务器计算成本,并通过将用户的 3D 视图分解为个人和全局 NeRFs 以及一种新颖的最优加权聚合,实现学习具有照片级真实感的场景表示。它在结构化合成和真实世界照片旅游数据集上验证了我们的方法学习 NeRFs 具有照片级真实感和最小的服务器计算成本,并进一步分析了 DecentNeRF 中全局 NeRFs 的安全聚合如何最小化服务器对个人内容的不良重建。
Mar, 2024
本文提出了一种从单张头像照片中估计神经辐射场(NeRF)的方法,该方法使用亮度舞台肖像数据集预训练多层感知机(MLP)的权重,通过 3D 面部可塑模型逼近标准坐标空间以提高对未知面孔的泛化性能,并对其进行了定量评估,表明其对真实肖像图像的泛化效果优越。
Dec, 2020
通过 NeRF 的方法来实现对于图像的 View Synthesis, 本文提到了 NeRF 的成功之处以及在应用于大规模无界三维场景中进行改进,使其在 360° 的拍摄模式下提高拍摄质量。
Oct, 2020
神经放射场 (NeRF) 是计算机视觉中的一种开创性技术,通过从投影到二维图像数据中合成三维表示来为医学成像提供巨大潜力。然而,在应用于医学领域时,它们面临着特殊的挑战。本文对 NeRF 在医学成像中的应用进行了全面的研究,突出了四个潜在的挑战,包括基本成像原理、内部结构要求、物体边界定义和颜色密度意义。我们讨论了目前不同器官上的现有方法,并讨论了相关的局限性。我们还回顾了几个数据集和评估指标,并提出了几个未来研究的有前景的方向。
Feb, 2024
使用少量照片重建现实场景的方法,通过在合成和多视图数据集上训练的扩散先验来对新视角的合成进行规范化,从而在超约束区域综合出逼真的几何和纹理,同时保持观察区域的外观。与以前的少视图 NeRF 重建方法相比,我们在各种真实世界数据集上进行了广泛评估,包括正向和 360 度场景,并展示了显著的性能改进。
Dec, 2023
该研究通过提出 Enhance-NeRF 模型,增强神经放射场(NeRF)在虚拟现实和增强现实等领域的三维重建应用,改进了场景识别和学习能力,有望广泛应用于照明、材质和形状的室外场景重建,具备插拔式的易用性,并能够与其他 NeRF-based 模型轻松集成。
Jun, 2023
该研究提出了一种基于神经辐射场(NeRF)技术的生成全息图的新方法。使用深度神经网络在合理的时间内构建了从 2D 图像生成的 3D 光场的渲染流程,包括 NeRF、深度预测器和全息图生成器,而不需要任何物理计算。通过该流程,可以计算从任意方向观看的 3D 场景的预测全息图。研究还展示了仿真和实验结果。
Mar, 2024
描述了一种基于神经辐射场的方法,通过优化连续的体形变场使移动设备拍摄的照片 / 视频重建变形场景,旨在生成高度逼真的渲染图像。实验表明,该方法可使用手机拍摄的自拍照片 / 视频转换成可变形的 NeRF 模型,并在任意视点产生高保真度的视图。
Nov, 2020