Mar, 2024

GenesisTex: 将图像去噪扩散应用于纹理空间的适应

PDF
TL;DRGenesisTex 是一种从文本描述中合成 3D 几何纹理的新方法，通过纹理空间采样来适应预训练图像扩散模型，通过全局一致性和局部一致性实现多个视点之间的纹理生成，并通过基于参考的修复和图像转换进一步优化纹理。实验证明，我们的方法在数量和质量上优于基准方法。
genesistextextures3d geometrieslatent texture mapstexture refinement
发现论文，激发创造
  • TexPainter: 多视角一致性的生成网格纹理

    通过梯度反向传播间接修改潜在编码，并使用优化方法的颜色融合技术来实现多视角一致性，从而提高生成纹理的质量和一致性。

    May, 2024

  • TexFusion：使用文本引导的图像扩散模型合成 3D 纹理

    TexFusion（纹理扩散）是一种新的方法，利用大规模的文本引导图像扩散模型，对给定的三维几何图形进行纹理合成。

    Oct, 2023

  • SceneTex: 室内场景的高质量纹理合成基于扩散先验

    SceneTex 是一种使用基于深度到图像扩散先验的方法，在室内场景中有效地生成高质量且样式一致的纹理。它通过在 RGB 空间中将纹理合成任务形式化为一个优化问题，正确反映了样式和几何一致性。SceneTex 通过多分辨率纹理场隐式编码网格外观，并通过基于分数蒸馏的目标函数在各自的 RGB 渲染中优化目标纹理。为了进一步确保视图之间的样式一致性，我们引入了交叉注意力解码器来通过交叉关注每个实例中的预采样参考位置来预测 RGB 值。SceneTex 在 3D-FRONT 场景中实现了各种准确的纹理合成，相比之前的纹理生成方法在视觉质量和快速保真度上有显着改进。

    Nov, 2023

  • 同步多视角扩散下的文本引导纹理

    介绍一种新颖的方法用于合成给定 3D 对象的纹理，通过预训练的文本到图像扩散模型，提出了一种同步多视点扩散方法，早期生成的纹理内容达成一致，确保纹理的一致性。

    Nov, 2023

  • 纹理生成的单网格扩散模型和场隐变量

    我们介绍了一种在 3D 形状表面上直接操作的基于内在隐性扩散模型的框架，旨在合成高质量的纹理。通过对网格顶点上的离散矢量场编码纹理的隐式表示和学习在表面上的学习隐空间中去噪扩散过程的隐性扩散模型，我们的方法具有两个贡献。我们考虑了一种单一纹理网格范式，其中我们的模型被训练为在网格上生成给定纹理的变化。我们展示了合成的纹理与现有的单一纹理网格生成模型相比，具有较高的保真度。我们的模型还可以用于用户控制的编辑任务，例如修复缺失和标签引导的生成。我们提出的框架具有在等价变换下的等变性，这部分有助于我们方法的有效性，使我们的模型能够在局部相似区域之间无缝复现细节，并打开了生成纹理迁移的可能性。

    Dec, 2023

  • 无限纹理：基于文本引导的高分辨率扩散纹理合成

    从文本提示生成任意大小的纹理图像的新方法，通过精调扩散模型实现单一 GPU 上任意分辨率的输出纹理图像，并展示了生成纹理在 3D 渲染和纹理转换中的两个应用。

    May, 2024

  • 基于点 - UV 扩散的 3D 网格纹理生成

    通过 Point-UV 扩散模型和 UV 映射，在 3D 网格上合成高质量纹理图像，以生成 3D 一致且高质量的 UV 纹理图像。

    Aug, 2023

  • 一致网格扩散

    通过使用一种新颖的方法，我们对给定的带有 UV 参数化的 3D 网格生成纹理，并使用单一的深度对图像扩散网络在 3D 表面上呈现一致的纹理，通过统一多个 2D 图像的扩散路径并通过 MultiDiffusion 技术将其提升为 3D。我们使用评估指标 CLIP-score 和 Frechet Inception Distance (FID) 来评估渲染质量，并展示了相对于之前的研究的改进。

    Dec, 2023

  • TexSliders: 基於 CLIP 空間的擴散式紋理編輯

    应用扩散技术编辑纹理，通过操作 CLIP 图像嵌入来调节扩散生成，无需标注数据即可用自然语言提示进行编辑。

    May, 2024

  • Sin3DM: 从单个 3D 纹理形状学习扩散模型

    Sin3DM 是一种学习来自单个 3D 纹理形状的内部图案分布的扩散模型，该模型通过压缩输入到低维潜在空间来降低内存和计算成本，然后通过 Triplan 感知 2D 卷积块来训练模型，可以生成较高质量的 3D 形状，还可以用于重定位，外表绘画和局部编辑。

    May, 2023