論文の概要: Learning to Stylize Novel Views

• arxiv url: http://arxiv.org/abs/2105.13509v1
• Date: Thu, 27 May 2021 23:58:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-31 22:44:10.115531
• Title: Learning to Stylize Novel Views
• Title（参考訳）: 新たな視点から学ぶ
• Authors: Hsin-Ping Huang, Hung-Yu Tseng, Saurabh Saini, Maneesh Singh, Ming-Hsuan Yang
• Abstract要約: 任意の視点からシーンのスタイリング画像を生成する3Dシーンスタイリング問題に取り組む。 本稿では,一貫した3次元シーンスタイリングのためのポイントクラウドベースの手法を提案する。
• 参考スコア（独自算出の注目度）: 82.24095446809946
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We tackle a 3D scene stylization problem - generating stylized images of a scene from arbitrary novel views given a set of images of the same scene and a reference image of the desired style as inputs. Direct solution of combining novel view synthesis and stylization approaches lead to results that are blurry or not consistent across different views. We propose a point cloud-based method for consistent 3D scene stylization. First, we construct the point cloud by back-projecting the image features to the 3D space. Second, we develop point cloud aggregation modules to gather the style information of the 3D scene, and then modulate the features in the point cloud with a linear transformation matrix. Finally, we project the transformed features to 2D space to obtain the novel views. Experimental results on two diverse datasets of real-world scenes validate that our method generates consistent stylized novel view synthesis results against other alternative approaches.
• Abstract（参考訳）: 我々は,同じシーンの画像の集合と所望のスタイルの参照画像が入力として与えられた任意の新規ビューから,シーンのスタイリング画像を生成する3Dシーンスタイリング問題に取り組む。 新規なビュー合成とスタイル化アプローチを組み合わせる直接的なソリューションは、異なるビュー間でぼやけたり一貫性のない結果をもたらす。 本稿では,一貫した3次元シーンスタイリングのためのポイントクラウド方式を提案する。 まず,画像特徴を3次元空間にバックプロジェクションすることで点雲を構築する。 第2に、3次元シーンのスタイル情報を収集する点群集約モジュールを開発し、それから線形変換行列を用いて点群内の特徴を変調する。 最後に、変換された特徴を2次元空間に投影し、新しいビューを得る。 実世界のシーンの2つの多様なデータセットによる実験結果から,本手法が他の手法に対して一貫したスタイル化された新規ビュー合成結果を生成することを確認した。

関連論文リスト

• PNeSM: Arbitrary 3D Scene Stylization via Prompt-Based Neural Style Mapping [16.506819625584654]
  3Dシーンスタイリング(3D scene stylization)とは、3Dシーンの外観を、所定のスタイルのイメージに合わせるように変換することである。 既存のいくつかの手法は、3Dシーンのスタイリングにおいて印象的な結果を得た。 任意のシーンに任意のスタイルを転送する新しい3Dシーンスタイリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-13T05:08:47Z)
• 3DStyle-Diffusion: Pursuing Fine-grained Text-driven 3D Stylization with 2D Diffusion Models [102.75875255071246]
  テキスト駆動型スタイリングによる3Dコンテンツ作成は、マルチメディアとグラフィックコミュニティにとって根本的な課題となっている。 2次元拡散モデルから制御可能な外観と幾何学的ガイダンスを付加した3次元メッシュのきめ細かいスタイリングをトリガーする新しい3DStyle-Diffusionモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-09T15:51:27Z)
• S2RF: Semantically Stylized Radiance Fields [1.243080988483032]
  本稿では,任意の画像からオブジェクトへスタイルを3Dシーンで転送する手法を提案する。 我々の主な目的は、3Dシーンのスタイリングをより制御し、任意の視点からカスタマイズ可能でスタイリングされたシーン画像の作成を容易にすることである。
  論文  参考訳（メタデータ） (2023-09-03T19:32:49Z)
• CLIP3Dstyler: Language Guided 3D Arbitrary Neural Style Transfer [41.388313754081544]
  言語誘導型任意型ニューラルスタイル転送法(CLIP3Dstyler)を提案する。 従来の2D手法であるCLIPStylerと比較して、3Dシーンをスタイリングし、モデルを再訓練することなく新しいシーンに一般化することができる。 我々は,テキスト誘導型3次元シーン転送におけるモデルの有効性を示すため,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-05-25T05:30:13Z)
• Instant Photorealistic Neural Radiance Fields Stylization [1.039189397779466]
  Instant Neural Radiance Fields Stylizationは3Dシーンのマルチビュー画像スタイリングのための新しいアプローチである。 我々のアプローチは、位置埋め込みにハッシュテーブルベースの位置エンコーダを使用するニューラルネットワークプリミティブに基づく神経放射場をモデル化する。 最新のGPUハードウェアでは10分以内で、様々な角度で一貫した外観でスタイリングされた新しいビューを生成することができる。
  論文  参考訳（メタデータ） (2023-03-29T17:53:20Z)
• ARF: Artistic Radiance Fields [63.79314417413371]
  本稿では,任意のスタイル画像の芸術的特徴を3Dシーンに転送する方法を提案する。 点雲やメッシュ上で3次元スタイリングを行う従来の手法は、幾何的再構成誤差に敏感である。 より頑健なラディアンス場表現の体系化を提案する。
  論文  参考訳（メタデータ） (2022-06-13T17:55:31Z)
• StylizedNeRF: Consistent 3D Scene Stylization as Stylized NeRF via 2D-3D Mutual Learning [50.65015652968839]
  3Dシーンのスタイリングは、任意の新しい視点からシーンのスタイリング画像を生成することを目的としている。 最近提案されたNeRF(Near Raddiance Field)により,我々は一貫した方法で3Dシーンを表現できる。 本研究では,2次元画像スタイリゼーションネットワークとNeRFを組み合わせた3次元シーンスタイリゼーションのための新しい相互学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-24T16:29:50Z)
• Unified Implicit Neural Stylization [80.59831861186227]
  この研究は、スタイル化された暗黙の表現のトレーニングという、新しい興味深い方向性を探求する。 本研究では,2次元座標に基づく表現,ニューラルラディアンス場,符号付き距離関数など,様々な暗黙関数に関するパイロット研究を行う。 我々のソリューションは、INSと呼ばれる統一暗黙的ニューラルスティル化フレームワークです。
  論文  参考訳（メタデータ） (2022-04-05T02:37:39Z)
• Stylizing 3D Scene via Implicit Representation and HyperNetwork [34.22448260525455]
  簡単な解決策は、既存の新しいビュー合成と画像/ビデオスタイルの転送アプローチを組み合わせることである。 ニューラルレイディアンスフィールド(NeRF)法の高品質な結果にインスパイアされ,新しいビューを所望のスタイルで直接描画するジョイントフレームワークを提案する。 本フレームワークは,ニューラルネットワークを用いた3次元シーンの暗黙的表現と,シーン表現にスタイル情報を転送するハイパーネットワークという2つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2021-05-27T09:11:30Z)
• 3DSNet: Unsupervised Shape-to-Shape 3D Style Transfer [66.48720190245616]
  本稿では,3次元オブジェクト間のスタイル伝達のための学習に基づくアプローチを提案する。 提案手法は点雲とメッシュの両方で新しい3次元形状を合成することができる。 選択したドメインのマルチモーダルなスタイル分布を暗黙的に学習するために,我々の手法を拡張した。
  論文  参考訳（メタデータ） (2020-11-26T16:59:12Z)

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。