wrk226的博客

本文提出了一种基于3D高斯体进行场景重建的方案，并提供了高效的渲染器实现。其重建精度，训练速度和推理速度均超越之前的SOTA方案。整体的思路就是先使用传统方案（COLMAP）将多视角图像对齐，并提取稀疏点云。然后以这些点为基础构建高斯体，在训练中动态的增减高斯体的数量和半径。之后对高斯体进行渲染，获得最终的重建结果。

本文做的是基于视频的3D重建。特色之处在于不需要初始模板，而是直接从一个球形来拟合最终形状。

本文是基于SMAL的改进，主要是增加了对个体的形状优化和纹理的贴合。

本文是一篇很经典的3D动物重建的文章。本文以四足动物的玩具模型为样本，为四足动物建立了铰接式3D模板，并提出了基于单图的模板拟合方案。

本文首先是提供了一个可以用于分析鸟类行为学的数据集，然后为鸟类设计了一套精细的3D参数化模型，最后提出了一套算法来将3D模型拟合到单视角鸟类图像。

本文做的是基于单视角图片的3D动物重建。和大多数人脸重建模型一样，都默认提供了一个3D模板，然后只要基于模板拟合输入的图像就可以了。但不同于人脸，动物在体型上的变化比人脸要大得多（比如本文中处理的鸟类），因此这里作者提出了一个三阶段方案来进行三维重建。......

本文目的是进行无监督的3D形状与纹理生成。主要思路就是直接用3D-GAN给出对应类的形状，然后使用2D图像预测纹理，并通过2.5D sketches作为中介与3D模型进行渲染，最后将渲染结果丢到判别器中构建gan loss来提升整体效果。主要的局限性在于输入的图像要求没有背景。...

本文是有史以来第一个可以通过无监督训练得到全新3D模型的算法，在此之前的模型大都是通过拼凑已有模型的部分结构来构建新3D模型。而这篇文章最大的创新就是借助了GAN的思想来将3D模型的分布嵌入到隐空间中，从而使得模型可以从任意随机向量中解码出对应的3D模型。...

本文做的是基于单图的无监督3D物体重建。文中模型不需要配对的2D图像与3D扫描结果，不需要landmark，不需要多视角图像，也不需要参数化模型，更不需要手工定义的模板，完全从零开始重建一个3D物体。只有一个约束，就是输入的所有图片需要是同一类物体（比如全是车，全是鸟，或者全是马等等）。本文主要的思想是将同一类物体通过语义分割建立联系，通过3D模板（初始模板就是一个球）与语义分割模型相互之间的促进来迭代式的增强模型的重建能力。...