基于 ImageNet 中的野外图像的几何感知 3D 生成
本文提出了一种基于 3D GAN 的 3D 生成器,采用了不同于以往的数据假设、深度框架和相机模型,在多样化数据集(如 ImageNet)上取得了优于现有技术的纹理和几何质量的结果。
Mar, 2023
本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法,其中利用 GAN 等深度学习技术实现,从而生成出真实的三维图像,实现了从二维图像向三维图像的转换。
Oct, 2019
论文提出了一种统一框架,用于解决单幅图像特定类别的 3D 重建和新 3D 形状生成的问题。该方法支持弱监督学习,只需要单个实例的 2D 图像,使用网格作为输出表示,并利用光照信息提高了性能。实验结果表明,该方法在定量度量上与最新的基于体素方法相当或优于,而且结果更加美观,并且在弱监督学习方面表现良好。
Jul, 2018
提出了一种新的基于图像的神经隐式场方法,该方法利用基于 GAN 生成的多视图图像的 2D 监督,并通过不确定性模块来提高重构性能,从而实现了泛化物体的单视角 3D 重构。
Jul, 2022
通过 projective generative adversarial network(PrGAN)模型,我们可以在无监督学习的情况下,从提供的二维视图中推断出三维形状的概率分布,包括形状、视角和新的视图。
Jun, 2019
本文介绍了一种使用生成式对抗网络(GAN)生成的多视角图像数据集重建高质量纹理三维模型的方法,其具有可忽略的注释成本,并通过多阶段学习和在线伪标签生成的新颖对抗学习流水线实现了精细的细节并显著改善了之前的方法。
May, 2023
本文提出了一种基于 GAN 框架生成纹理三角形网格的方法,可以不依赖关键点注释,同时在 ImageNet 上设置了新的基准,相比基于真实关键点的先前方法性能相当。
Mar, 2021
提出了一种深度学习技术,用于从单个图像进行三维物体重建。与以往的方法不同的是,该方法使用只有单一视角的图像进行训练,并具有自我监督学习能力,可实现与使用更多监督信息的方法相媲美的性能。该方法还可以进行测试时间优化。
May, 2020
本文提出一种从 2D 图像中学习生成 3D 结构的深度生成模型,并通过概率推断从 3D 和 2D 图像中恢复这些结构,从而实现了第一个纯无监督学习下学习推断 3D 表示的方法,并在几个数据集上建立了基准模型。
Jul, 2016
PlatonicGAN 通过训练神经网络生成 3D 模型,结合 2D 图像投影生成多种相机角度下的 2D 图像,支持无结构的 2D 图像集合恢复 3D 结构,并通过实验证明了其对于 3D 监督方法的优越性。
Nov, 2018