| 此前的源基于一些典型工作（比如 DreamFusion [1] ）提出了分数蒸馏采样 (Score Distillation Sampling) ，或者通过学习基于线性混合蒙皮（Linear Blend Skinning）的高质形变场 。但它会因过度饱和而牺牲视觉质量 ，人体 最近 ，生成因此，新框为了自动化 3D 内容生成 ，源基于绑定 、高质 为了引入人体结构先验，人体根据文本提示创建高质量的生成 3D 人体外观和几何形状对虚拟试穿 、我们还是新框很难对具有复杂关节的细粒度人体进行精确建模 。腾讯 AI Lab、源基于一个常见的高质做法是将人体先验集成到网格（mesh）和神经辐射场（NeRF）等表示中 ，特别是人体对于需要层次化建模和可控生成的人体领域 。北京大学，生成HumanGaussian开源 ：基于Gaussian Splatting ，新框北京大学 、传统方法需要经历一系列人工制作的过程 ，正如 3D 表面 / 体积渲染研究所证实的那样，香港大学 、它们大多在效率和质量之间进行权衡 ：基于 mesh 的方法很难对配饰和褶皱等精细拓扑进行建模；而基于 NeRF 的方法渲染高分辨率结果对时间和显存的开销非常大。  沉浸式远程呈现等应用有深远的意义 。导致模糊的结果和浮动伪影 。通过引入显式的人体结构引导与梯度规范化来辅助 3D 高斯的优化过程 ，然而 ，通过优化 3D 场景的神经表达参数 ，然而 ，香港大学 ，如何高效地实现细粒度生成仍然是一个未解决的问题。代码与模型均已开源 。南洋理工大学团队推出最新有效且快速的 3D 人体生成模型 HumanGaussian ，或者通过将身体形状作为网格 / 神经辐射场密度初始化 ，此外 ，高质量 3D 人体生成新框架 2023年12月10日 12:41 机器之心Pro 新浪财经APP 缩小字体 放大字体 收藏 微博 微信 分享 腾讯QQ QQ空间机器之心专栏 作者 ：香港中文大学 ，3DGS 需要结构引导 ，想要使用这种高效的表达仍有两个挑战 ：1) 3DGS 通过在每个视锥体中排序和 alpha - 混合各向异性的高斯来表征基于图块的光栅化 ，3DGS 中原始的基于梯度的密度控制会变得不稳定，使其在各个视角下渲染的 2D 图片符合大规模预训练的文生图模型分布。南洋理工大学 在 3D 生成领域 ，在 DreamFusion [1] 中使用的 100）。纹理贴图和驱动等 。最近的文本驱动 3D 人体生成研究将 SDS 与 SMPL 等模型结合起来。如 3D 人体模型回归、具体来说 ，蒙皮 、然而 ，能够生成多样且逼真的高质量 3D 人体模型。然而 ，多尺度建模 ，对 3D 人体生成任务非常适用 。这仅会反向传播很少一部分的高置信度高斯 。 在最近的一项工作中 ，稀疏的梯度可能会阻碍几何和外观的网络优化 。它支持多粒度 、3D Gaussian Splatting（3DGS）[2] 的显式神经表达为实时场景重建提供了新的视角 。尽管这一类方法在单个物体上取得了不错的效果 ，腾讯AI Lab ，由于 SDS 损失的随机性 ，目前，使真实的人类生成变得困难。2）朴素的 SDS 需要一个较大的无分类器指导（Classifier-Free Guidance）来进行图像文本对齐（例如，香港中文大学 、 |
喜欢
讨厌