用于通用3D人体数字化的、具有服装感知能力的神经辐射场技术

《ACM Transactions on Multimedia Computing, Communications, and Applications》：Garment-Aware Neural Radiance Fields for Generalizable 3D Human Digitization

garment-aware NeRF方法通过三阶段流程解决单视角服装重建信息不足和模型泛化能力弱的问题，提升多视角渲染质量，在多个数据集上验证优于现有方法。

　　

摘要AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

高质量的衣服表示既是一个挑战，也是从单视图图像构建通用3D人体的关键因素。现有技术在处理复杂衣服时往往表现不佳，主要是由于两个关键问题：(1) 单视图图像缺乏关于衣服的完整信息，限制了重建结果的完整性和真实性。(2) 模型的泛化能力不足，导致从不同视角渲染时衣服的纹理和结构存在显著不一致，这严重影响了新视图图像的质量。为了提高新视图图像的质量，我们提出了一种三阶段的、考虑衣服特征的NeRF（Neural Radiance Field）方法，用于通用的3D人体数字化。为了补充单视图图像中缺失的衣服信息，第一阶段专注于提取关于衣服形状、姿态变形和风格的先验知识。为了全面消除不同视角下渲染图像的歧义，我们在第二阶段引入了一套考虑先验知识的特征学习方法，以表示衣服的全球纹理、几何形状和细节。此外，在第三阶段设计了一个考虑衣服特征的NeRF模块，该模块具有融合和解码器功能，从而能够有效地融合这些先验特征，使我们的模型能够渲染穿着衣服的3D人体并生成高质量的结果。在Renderpeople、Thuman和HuMMan数据集上的实验结果表明，与现有方法相比，我们的方法在衣服表示方面具有更优越的性能和更强的泛化能力，特别是在合成没有人体的衣服的新视图图像时。

AI摘要

AI生成的摘要（实验结果）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核的。它旨在帮助发现、评估相关性，并帮助来自相关研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的主要摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进和未来版本的生成。

要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。