論文の概要: ANR: Articulated Neural Rendering for Virtual Avatars

• arxiv url: http://arxiv.org/abs/2012.12890v1
• Date: Wed, 23 Dec 2020 18:56:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 20:46:08.630559
• Title: ANR: Articulated Neural Rendering for Virtual Avatars
• Title（参考訳）: ANR:仮想アバターのためのArticulated Neural Rendering
• Authors: Amit Raj, Julian Tanke, James Hays, Minh Vo, Carsten Stoll, Christoph Lassner
• Abstract要約: Deferred Neural Rendering (DNR)に基づく新しいフレームワークであるArticulated Neural Rendering (ANR)を提案する。 我々は,DNR だけでなく,アバター生成とアニメーションに特化した手法で,ANR の優位性を示す。
• 参考スコア（独自算出の注目度）: 30.787360376175123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The combination of traditional rendering with neural networks in Deferred Neural Rendering (DNR) provides a compelling balance between computational complexity and realism of the resulting images. Using skinned meshes for rendering articulating objects is a natural extension for the DNR framework and would open it up to a plethora of applications. However, in this case the neural shading step must account for deformations that are possibly not captured in the mesh, as well as alignment inaccuracies and dynamics -- which can confound the DNR pipeline. We present Articulated Neural Rendering (ANR), a novel framework based on DNR which explicitly addresses its limitations for virtual human avatars. We show the superiority of ANR not only with respect to DNR but also with methods specialized for avatar creation and animation. In two user studies, we observe a clear preference for our avatar model and we demonstrate state-of-the-art performance on quantitative evaluation metrics. Perceptually, we observe better temporal stability, level of detail and plausibility.
• Abstract（参考訳）: deferred neural rendering(dnr)における従来のレンダリングとニューラルネットワークの組み合わせは、計算の複雑さと結果の画像のリアリズムの間の説得力のあるバランスをもたらす。 オブジェクトの描画にスキン付きメッシュを使用することは、DNRフレームワークの自然な拡張であり、多数のアプリケーションに開放される。 しかしながら、このケースでは、ニューラルネットワークシェーディングステップは、メッシュ内でキャプチャされない可能性のある変形と、DNRパイプラインを混乱させる可能性のあるアライメントの不正確さとダイナミクスを考慮しなければならない。 我々はDNRに基づく新しいフレームワークであるArticulated Neural Rendering (ANR)について述べる。 我々は,DNR だけでなく,アバター生成とアニメーションに特化した手法で ANR の優位性を示す。 2つのユーザスタディにおいて,アバターモデルに対する明確な好みを観察し,定量的評価指標における最先端のパフォーマンスを示す。 知覚上は、より優れた時間安定性、詳細度、信頼性を観察する。

関連論文リスト

• Towards a Sampling Theory for Implicit Neural Representations [0.3222802562733786]
  Inlicit Neural representations (INRs) は、コンピュータおよび計算画像における逆問題を解決する強力なツールとして登場した。 一般化された重み減衰正規化方式を用いて, 隠蔽層INRから画像の復元方法を示す。 低幅単層INRにより実現された正確な回復画像を得る確率を実証的に評価し、より現実的な連続領域ファントム画像の超解像回復におけるINRの性能を示す。
  論文  参考訳（メタデータ） (2024-05-28T17:53:47Z)
• Revisiting Implicit Neural Representations in Low-Level Vision [20.3578908524788]
  近年,コンピュータビジョンにおいてインプシットニューラル表現(INR)が出現している。 我々は、画像復元などの低レベル視力問題において、その有効性に興味を持っている。 本研究では,INRを再検討し,低レベル画像復元タスクへの応用について検討する。
  論文  参考訳（メタデータ） (2023-04-20T12:19:27Z)
• DNeRV: Modeling Inherent Dynamics via Difference Neural Representation for Videos [53.077189668346705]
  映像の差分表現(eRV) 我々はこれを制限関数の適合性とフレーム差の重要性の観点から分析する。 DNeRVは最先端のニューラル圧縮アプローチと競合する結果を得る。
  論文  参考訳（メタデータ） (2023-04-13T13:53:49Z)
• WIRE: Wavelet Implicit Neural Representations [42.147899723673596]
  Inlicit Neural representations (INRs) は近年多くの視覚関連領域を進歩させている。 現在のINRは高い精度で設計されているが、ロバスト性も劣っている。 我々は、このトレードオフを示さない新しい、非常に正確で堅牢なINRを開発します。
  論文  参考訳（メタデータ） (2023-01-05T20:24:56Z)
• Signal Processing for Implicit Neural Representations [80.38097216996164]
  Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。 既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。 本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-17T06:29:07Z)
• Neural Adaptive SCEne Tracing [24.781844909539686]
  NAScenTは,ハイブリッド・明示的ニューラル表現を直接訓練した最初のニューラルレンダリング手法である。 NAScenTは、UAVが捕獲した屋外環境のような、大きくて人口の少ないボリュームを含む、困難なシーンを再構築することができる。
  論文  参考訳（メタデータ） (2022-02-28T10:27:23Z)
• InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering [55.70938412352287]
  ニューラルな暗黙表現に基づく数ショットの新規ビュー合成のための情報理論正規化手法を提案する。 提案手法は,不十分な視点で発生する潜在的な復元の不整合を最小化する。 複数の標準ベンチマークにおいて,既存のニューラルビュー合成手法と比較して一貫した性能向上を実現している。
  論文  参考訳（メタデータ） (2021-12-31T11:56:01Z)
• Towards Lightweight Controllable Audio Synthesis with Conditional Implicit Neural Representations [10.484851004093919]
  入射神経表現(英語: Implicit Neural representations、INR)は、低次元関数を近似するニューラルネットワークである。 本研究では、音声合成のための生成フレームワークの軽量バックボーンとして、CINR(Conditional Implicit Neural Representations)の可能性に光を当てた。
  論文  参考訳（メタデータ） (2021-11-14T13:36:18Z)
• Neural Rays for Occlusion-aware Image-based Rendering [108.34004858785896]
  我々は,ニューラルレイ(NeuRay)と呼ばれるニューラル表現を,マルチビューイメージを入力として,新しいビュー合成(NVS)タスクのために提案する。 NeuRayは、微調整の少ない未確認シーンの高品質なノベルビューレンダリング画像を生成することができる。
  論文  参考訳（メタデータ） (2021-07-28T15:09:40Z)
• UNISURF: Unifying Neural Implicit Surfaces and Radiance Fields for Multi-View Reconstruction [61.17219252031391]
  ニューラル暗黙的3D表現を用いた多視点画像から表面を再構築する新しい手法を提案する。 我々の重要な洞察は、暗黙の曲面モデルと放射場を統一的に定式化し、表面および体積のレンダリングを可能にすることである。 実験により, マスクを必要とせず, idrと同等の性能を保ちつつ, 再構成品質でnrfを上回った。
  論文  参考訳（メタデータ） (2021-04-20T15:59:38Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。