HAAR: 基于文本条件的三维基于发丝的人体发型生成模型
本文提出了一种名为神经剪发的方法,可以从单眼视频或多视角图像中恢复出具有高逼真度和个性化的发型,该方法有两个阶段并通过不同 iable renderer,通过隐式体积表示对粗糙的头发和胸围形状及发型方向,以及头发的先验进行精确的几何重建,从而解决了现有方案面临的挑战。
Jun, 2023
本文提出了一种名为 Neural Strands 的新型学习框架,它可以从多视角图像输入中准确地建模头发的几何形状和外观,并提出了基于神经头皮纹理的新型头发表示和基于光栅化的新型神经渲染框架,可以同时实现外观和外显头发几何学的联合学习。
Jul, 2022
采用神经网络处理的图像合成方法,通过人工繁琐的建模,渲染和复合形成目标发型的三维几何形状来合成真实的面部毛发变化,使用户能够通过简单的引导笔画来进一步指导和修整所生成的图像。此方法不仅可以控制结构和颜色特征,而且发夹名单可以灵活地扩展和生成高保真头皮发。
Apr, 2020
通过使用 3D 面部化身、文本引导生成、组合式化身、NeRF 和虚拟试穿,我们提出了一个新方法(TECA)来创建逼真的 3D 面部化身,同时实现可编辑性和特征转移。
Sep, 2023
提出一种使用神经网络的头发渲染流程,通过共享潜在空间编码两个领域的外观不变结构信息生成逼真的渲染图像,并使用简单而有效的时间条件方法,可以在未经监督的情况下工作于任意头发模型,并在大量肖像上测试,得出其优于替代方案和最先进的无监督图像翻译方法的结论。
Apr, 2020
Hairstyle reflects culture and ethnicity, and this paper presents GaussianHair, a novel hair representation technique that enables comprehensive modeling, realistic appearance, efficient rasterization, and breakthroughs in geometric and appearance fidelity, addressing the limitations in hair reconstruction methods.
Feb, 2024
本文介绍了一种使用神经网络从单一图像中建立高保真度的 3D 头发模型的方法,通过使用两种不同的神经网络,IRHairNet 和 GrowingNet,来实现头发几何特征的推测和 3D 头发丝的生成,从而取得了最先进的性能表现。
May, 2022
本文介绍一种创建高度逼真、个性化发型的头像的新方法,通过利用不同发型间的局部相似性并从多视角捕捉数百人的数据生成通用的发型外观先验模型,该先验模型以 3D 对齐特征为输入,在稀疏点云颜色条件下生成密集辐射场,通过实验证明该模型能够捕捉各种多样的发型并且应用在生成逼真、个性化的具有完整发型的头像上,取得了优于现有方法的效果。
Dec, 2023