Mar, 2024

TexDreamer：面向零样本高保真 3D 人体纹理生成

PDF
TL;DR利用 TexDreamer 模型，我们通过有效的纹理自适应微调策略将大型文本到图像模型转化成语义化 UV 结构，在保留其原始泛化能力的同时，能够在数秒内生成高保真度的 3D 人体纹理。此外，我们还介绍了包含 50k 高保真度的纹理及文本描述的 ATLAS 高分辨率 3D 人体纹理数据集。
texturingsemantic uv maps3d human texture generationtexdreamerarticulated human textures
发现论文，激发创造
  • TeCH: 文本引导下的逼真着装人体重建

    通过使用描述性文本启示和个性化模型，TeCH 提出了一种混合的三维重建方法，用于重建细节丰富的衣着人物的未见区域，并在重建准确性和渲染质量方面优于现有方法。

    Aug, 2023

  • 语义人体网格重建与纹理

    SHERT 是一个新的流程，可以通过语义和法线采样来重构具有纹理和高精度细节的语义人体网格，生成稳定的 UV 展开、高质量的三角网格以及一致的语义信息，优于最先进的方法。

    Mar, 2024

  • MetaDreamer：高效文本生成三维模型的几何和纹理分离

    MetaDreammer 是一种基于 2D 和 3D 先验知识的两阶段优化方法，通过在优化过程中分别使用 2D 和 3D 先验知识，有效减轻几何与纹理之间的相互依赖，从而在 3D 生成过程中节省时间并生成高质量的 3D 对象。与现有技术相比，MetaDreammer 是一种高效的文本到 3D 生成方法，并且还引入了图像控制来增强对 3D 生成过程的可控性。

    Nov, 2023

  • OSTeC: 单次纹理补全

    本文提出了一种无监督的方法，用于一次性 3D 面部纹理完成，这不需要大规模的纹理数据集，而是利用 2D 生成器中存储的知识。实验结果表明，完成的纹理和正视图像具有高质量，类似于原始身份，可以用于训练 3DMM 拟合的纹理 GAN 模型和提高姿态不变的面部识别。

    Dec, 2020

  • 使用 Transformer 从单张图像中估计三维人体纹理

    本文提出了一种基于 Transformer 的框架，用于从单张图像中进行三维人体纹理估计，并通过 mask-fusion 策略和 part-style loss 来提高图像质量，实验结果表明该方法在 3D 人体纹理估计方面优于现有方法。

    Sep, 2021

  • 基于文本的可控人类图像生成

    本文提出一种名为 Text2Human 的控制性框架，用于基于文本的生成高质量和多样化的人类图像。在此框架下，我们建立了一个分层的纹理感知码书，以存储不同类型纹理的多尺度神经表征，并使用混合专家的扩散变换采样器采样码书中的索引。通过使用细粒度文本输入，生成的图像具有更高的质量和更多的多样性，拥有比现有方法更好的性能。

    May, 2022

  • 基于文本条件的语境化头像生成用于零样本定制化

    本文提出了一个零射击的管道，该管道可以通过捕捉用户的身份以令人愉悦的方式进行头像生成，具有个性化的图像生成特征，此外，作者使用大规模图像数据集学习人类 3D 姿态参数，克服了动作捕捉数据集的局限性。

    Apr, 2023

  • TexMesh：从 RGB-D 视频重建详细的人体纹理和几何形状

    TexMesh 是一种利用 RGB-D 视频重建详细的人体网格及高分辨率全身纹理，实现高质量自由视角呈现的新方法。

    Aug, 2020

  • UVMap-ID: 一个可控且个性化的 UV Map 生成模型

    我们介绍了一种新的方法，UVMap-ID，这是一种可控和个性化的 UV Map 生成模型，用于为给定的人脸图像生成个性化的纹理贴图，并定义和评估这些生成纹理贴图的质量。

    Apr, 2024

  • 单张图像中穿着衣物的人的 360 度纹理

    本文使用图像到图像翻译方法在 SMPL 模型的 UV 空间中推断纹理和几何学，以此预测人物的完整三维化身。通过此方法，我们得到的预测纹理和几何学可以应用到 SMPL 模型上，从而自然地对新的姿势、形状和衣物进行推广。

    Aug, 2019