CharNeRF:从概念艺术创造 3D 角色
ArtNeRF 是一种从三维感知生成对抗网络 (GAN) 派生的新型人脸风格化框架,通过利用表达能力强的生成器合成风格化人脸,并利用三分支鉴别器模块改善生成的人脸的视觉质量和风格一致性,通过对比学习实现一个基于风格编码器来提取风格图像的稳健低维嵌入,以赋予生成器对各种风格的知识,并通过自适应风格融合模块平滑跨域迁移学习的训练过程,实现了图像的高分辨率实时渲染。大量实验表明,ArtNeRF 在生成任意风格的高质量三维人脸方面具有通用性。
Apr, 2024
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
提出了一种基于超网络范例的少样本学习方法,通过从训练数据中收集信息并生成通用权重的更新,实现了从少量图像中一步生成高质量的 3D 物体表示的高效方法。通过与最先进的解决方案进行直接比较以及全面的剔除研究,证实了该方法的有效性。
Feb, 2024
基于 NeRF 的人体表演姿态依赖渲染的新方法,通过将辐射场围绕 SMPL 人体模型进行扭曲,实现了新的表面对齐表示,可以通过骨骼关节参数和视点来实现动画化,并通过引入新的重新映射过程来实现高质量渲染。
Nov, 2023
本研究提出了一种基于神经辐射场的三维场景风格化方法,采用新的训练方法,交替进行 3D 场景和风格化优化步骤,从而应用更加表现力的图像风格转移方法,生成高质量的具有交叉视角一致性的新视角图片。
Jul, 2022
本文提出了一种基于神经径向基方法的生成神经体模型,通过学习未标记的单目视频,在不需要地面真实标签的情况下,共同完善的姿势和体积身体形状和外观,有效改善了多样化数据集上的准确性,是对使用反向运动学的引入的一个重要贡献。
Feb, 2021
GHNeRF 是一种新颖的方法,通过学习 2D/3D 人体关节位置与 NeRF 表示来解决 3D 人体表示中缺乏的关键信息,以实现对人体生物力学特征的编码,并得到接近实时的最先进结果。
Apr, 2024
Neural Radiance Fields (NeRFs) are a new representation of 3D scenes for view synthesis and image-based rendering, widely used and extended by thousands of papers, with potential for future advancements in 3D representations.
Aug, 2023
本文提出了一种简单而有效的方法,使用多视角图像作为条件输入,训练出适用于不同人的可泛化 NeRF,该方法的关键部分是将规范空间与输入和目标图像相连,并利用参数化的 3D 人体模型来导出变形,本方法在实现新视角合成和姿势动画任务方面表现出了很好的效果。
Mar, 2022