syk_123-CSDN博客

原创 windows安装pytorch3D cuda12.1 (2024.12)

4.2 以管理员身份运行编辑器（Visual Studio Code 2019）4.在执行安装代码：python setup.py install 前参考博主。再python setup.py install 成功了。检查当前用户是否有“写入”权限。按钮并授予“完全控制”权限。修改config.h文件。不过在修改时，发现尝试修改。3.下载pytorch3d。2.cub不需要单独安装。

2024-12-23 16:17:35 710

原创论文笔记：3DGSR

然后，我们可以利用估算出的深度（法线），通过基于点的阿尔法混合（Gao 等人，2023 年）将它们渲染成深度（法线）图。结合SDF细化表面重建的理由：3DGS不能很好的重建表面——没有考虑点之间的几何约束，而这些点确实受到底层几何结构（即表面）的约束，从而导致点噪声。随后，采用深度（法线）一致性损失来将渲染的深度（法线）与从 3D 高斯函数导出的深度对齐。使用一致性损失，将 SDF 的深度（法线）与高斯得出的深度（法线）保持一致，为在高斯未占据的区域完善 SDF 提供额外的监督信号。

2024-12-12 16:35:43 572 1

原创论文笔记：Triplane Meets Gaussian Splatting

根据图像和初始点云输出隐式特征场，通过位置查询从中解码 3D 高斯属性。它共享类似的transformer架构，通过图像标记从可学习的位置嵌入中解码特征。采用三平面的理由：由于高斯离散、非结构和高维性质，直接学习3D高斯表示面临挑战。混合表示：点云P(N，3) 和三平面T(3，CHW) 最终特征（三线插值特征串联）：ft=隐式三平面场：细化几何形状并编码 3D 高斯属性，例如不透明度和球谐函数。从单视角图像快速重建——基于transformer的三平面高斯表示。随后，3D高斯由MLP解码。

2024-12-12 16:05:27 327 1

原创论文笔记：Drivable 3D Gaussian Avatars

将点的变形扩展到四面体，变形梯度矩阵J：（E包含定义四面体的三个方向向量）最终传递给光栅器的协方差矩阵：（将变形转移到高斯模型中）--->分配给相交四面体i、并计算重心bi。

2024-11-19 15:56:32 192 1

原创论文笔记：Deformable 3D Gaussian Splatting for Animatable Human Avatars

高斯被更新时，会被变回标准空间，依次应用两个矩阵的逆。当高斯数量增加时，父索引被传递给新的高斯。根据距离，每1000次迭代更新一次父分配。据表面距离远于阈值的高斯分配给背景。MLP采用高斯 Pi 中心与 SMPL模型的人体关节Jt之间的距离来预测上一步变形的残余细化（变形矩阵Dr）。（1）根据父级（SMPL顶点）变形。比较给定姿势和标准姿势的网格，得到顶点变形矩阵Dt，根据该矩阵变形高斯。人类——使用SMPL生成参数化网格，每个网格面中心作为初始化高斯，并分配好父索引i和表面法线n。

2024-11-19 15:03:50 187 1

原创论文笔记：GoMAvatar

GoMAvatar：使用网格上高斯从单目视频进行高效的可动画人体建模。

2024-09-27 13:01:02 347 1

原创论文笔记：3DGS-Avatar

3DGS-Avatar：通过可变形 3D 高斯溅射实现动画化身。

2024-09-24 16:43:03 1030 1

原创论文笔记：SplatArmor

NeRF大多会执行反向蒙皮变形以进行规范化，由于射线上的点位于观察空间，会产生模糊的多重解。从这个粗略优化的网格的表面采样 20000 个点，并将相关的面颜色作为高斯分布。输入的是位置编码和姿态特征(SMPL模型使用的，因为姿态参数与空间坐标都有低频偏差。给定一组图像和对应的前景mask、对应的SMPL姿势参数以及初始SMPL形状参数。恢复SMPL形状参数，每顶点的变形D，每帧的身体姿态和相机外参，以及一组高斯函数。恢复粗糙的 SMPL+D （每个顶点的偏移矩阵 D）网格和每个面的颜色。

2024-09-22 21:37:29 361 2

原创论文笔记：HUGS

这是一种通过将可变形模型引入高斯 Splatting 框架来合成嵌入场景中的人体的新视图和新姿势的新方法。2.提出了一个变形模型，包括：1）在标准空间预测人类高斯的均值、旋转、缩放来适应身体形状；使用给定的关节配置对标准姿势的人类高斯进行处理，再与场景高斯结合splat。场景高斯由COLMAP的sfm点云初始化的。2.通过使用 GNARF和 AG3D等生成方法先学习人体姿势的外观，或通过从图像扩散模型中提取。1.实现嵌入场景中的人类的表达。最终的损失函数：前三个由渲染图像与真实图像比较得到。

2024-09-13 15:55:57 390 3