本研究介绍了一种利用隐式神经表征的新型各向异性布料回归技术，其中包括创新的无网格抽样方法和新颖的对抗训练方案，以更好地捕捉细节布料纹理并保持计算效率。实验结果表明，在相同内存限制下，本方法在建模高度细节化的布料皱纹时始终超过传统的离散表示。

Nov, 2023

本文提出一种名为 “fabric” 的 CNN 架构，由 3D 网格状连接 Respons maps 而成，可嵌入指数级别数量的架构，并以集合方式共享权重，在 MNIST 和 CIFAR10 的图像分类以及 Part Labels 数据集的视觉语义分割任务中，表现竞争性的基准结果。

Jun, 2016

我们提出了一种逼真的实时小说视角综合（NVS）大场景的新方法，通过将中等质量的脚手架网格作为输入，学习神经纹理场和着色器以增强逼真感，同时使用标准图形管道进行实时渲染，我们的方法在大型自动驾驶和无人机场景中提供至少 30 倍更快的渲染速度与可比或更好的逼真度，我们的工作是首次实现大型真实世界场景的实时渲染。

Nov, 2023

我们探索正弦神经网络来表示周期性平铺纹理。我们的方法利用傅里叶级数，通过将正弦神经网络的第一层初始化为具有周期 P 的整数频率。我们证明了正弦层的组合仅生成具有周期 P 的整数频率。因此，我们的网络学习了周期模式的连续表示，无需插值即可在任何空间坐标处直接评估。为了强制生成的模式具有可平铺性，我们向损失函数中添加了基于泊松方程的正则化项。我们提出的神经隐式表示方法紧凑且能够在多个细节级别上以高视觉保真度和锐度高效地重建高分辨率纹理。我们在抗锯齿表面领域展示了我们方法的应用。

Feb, 2024

设计了一个神经表示的高保真复杂阴影的 3D 资产，通过与已有渲染器的完全集成和全局光照可调性，提供了快速和简化的渲染解决方案。

Dec, 2023

利用深度卷积神经网络提取中层特征，从高分辨率人脸数据库中拟合特征的凸组合，从而生成 photorealistic texture map，以实现从低分辨率输入图像中合成高逼真度的 3D 人脸渲染模型，并进行了广泛的验证。

Dec, 2016

本研究介绍了循环神经网络（RNN）模型作为计算密集型中尺度模拟编织复合材料的替代方法。通过利用迁移学习的力量，解决了 RNN 模型中初始化挑战和稀疏数据问题。一个平均场模型产生了代表弹塑性行为的全面数据集。仿真中，使用任意六维应变历史来预测随机行走作为源任务和循环加载条件作为目标任务下的应力。整合子尺度特性增强了 RNN 的多功能性。为了实现准确预测，该模型使用网格搜索方法来调整网络结构和超参数配置。本研究结果表明，迁移学习可用于有效适应不同应变条件的 RNN，从而为编织复合材料中的路径相关响应建模提供了有用工具。

Nov, 2023

通过捕捉反射和透射图像，利用可微分的几何和着色模型，从而恢复机织织物的参数，这一方法能够准确地模拟反射和透射效果，为数字人类和室内设计等多个应用领域提供了有价值的工具。

May, 2024

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

通过物理嵌入学习框架，使用卷积神经网络代表物体之间的空间相关性，并通过三个分支学习布料物理的线性、非线性和时间导数特征，模型通过与传统模拟器或子神经网络相结合，测试在不同的布料动画案例中达到与基准值的一致性和预测的真实性，同时提高了推理效率，可与其他视觉细化技术整合应用于三维布料动画。

Mar, 2024