- 博客(3)
- 收藏
- 关注
RSS订阅原创 【论文阅读】GIRAFFE: Representing Scenes asCompositional Generative Neural Feature Fields
其次，为了克服 NeRF 和 GRAF 中，无法将 background 和 object 分离开，从而去控制和增减物体，的不足，GIRAFFE 对场景中的每一个object （包括 background）引入了一个仿射变换 T ={s,t,R} ，表示物体放置在场景中的位置和方向。首先在高斯分布上采样形状和外观的信息，在不同模型上生成不同的目标车辆和背景，然后通过目标姿态信息变换目标的姿态（仿射变换），然后根据相机姿态和体渲染，生成隐式的三维场景，再通过2D的CNN网络解码成2D图片。
2023-12-13 14:35:45
77
1
原创 【论文阅读】GRAF: Generative Radiance Fieldsfor 3D-Aware Image Synthesis
接下来除此之外我们还需要一个与patch 的中心及发散幅度有关的变量 v=(u,s) ，其中 u=(u,v)∈R^2代表了 patch 的中心， s∈R^+ 代表了 patch 中相邻两个采样像素点间的距离（有些类似 CNN 中 stride 的概念）。训练时，每一个 G 应该只能针对特定某一类物体，比如汽车，比如椅子，G 在这个基础上，可以修改简单的 shape/appereance（有一定的解耦性），D也只能判断一个 patch 是不是汽车，这个判断与视角无关，只要是汽车，D 就认为是 True。
2023-12-13 14:29:02
151
原创 【论文阅读】NeRF: Representing Scenes asNeural Radiance Fields for View Synthesis
NeRF（神经辐射场）模型与传统的体素或点云方法有所不同。它不是基于体素或点云的表示，而是通过神经网络来建模场景的连续和可导函数。NeRF使用神经网络表示场景中每个点的辐射强度和密度，而不是显式地表示体素或点云。具体来说，NeRF模型使用一个神经网络来学习场景中任意位置的颜色和密度。这个神经网络采用了类似于体积渲染的方法，但不需要显式地表示体素网格。相反，它使用称为“神经体积渲染”技术的方法，允许模型在需要时动态地生成场景中每个点的信息。
2023-12-13 14:23:52
62
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人