Fugu-MT 論文翻訳(概要): S2RF: Semantically Stylized Radiance Fields

論文の概要: S2RF: Semantically Stylized Radiance Fields

arxiv url: http://arxiv.org/abs/2309.01252v1
Date: Sun, 3 Sep 2023 19:32:49 GMT
ステータス: 処理完了
システム内更新日: 2023-09-06 20:32:19.868879
Title: S2RF: Semantically Stylized Radiance Fields
Title（参考訳）: S2RF:Semantically Stylized Radiance Fields
Authors: Dishani Lahiri, Neeraj Panse, Moneish Kumar
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.243080988483032
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present our method for transferring style from any arbitrary image(s) to object(s) within a 3D scene. Our primary objective is to offer more control in 3D scene stylization, facilitating the creation of customizable and stylized scene images from arbitrary viewpoints. To achieve this, we propose a novel approach that incorporates nearest neighborhood-based loss, allowing for flexible 3D scene reconstruction while effectively capturing intricate style details and ensuring multi-view consistency.
Abstract（参考訳）: 本稿では,任意の画像からオブジェクトへ3dシーン内のスタイルを転送する手法を提案する。私たちの主な目的は、3dシーンのスタイライゼーションをよりコントロールし、任意の視点からカスタマイズ可能でスタイライゼーションされたシーンイメージの作成を容易にすることです。そこで本研究では,近接型ロスを組み込んだ新しいアプローチを提案し,複雑なスタイル詳細を効果的に捉えつつ,柔軟な3次元シーン再構成を可能にし,複数視点の一貫性を確保する。

関連論文リスト

G3DST: Generalizing 3D Style Transfer with Neural Radiance Fields across Scenes and Styles [45.92812062685523]
既存の3Dスタイル転送の方法は、シングルまたは複数スタイルのシーンごとの広範な最適化が必要である。本研究では, シーンごとの最適化やスタイルごとの最適化を必要とせずに, NeRF からスタイリングされた新しいビューをレンダリングすることで, 既存の手法の限界を克服する。以上の結果から,本手法はシーンごとの手法に匹敵する視覚的品質を達成できることが示唆された。
論文参考訳（メタデータ） (2024-08-24T08:04:19Z)
StyleSplat: 3D Object Style Transfer with Gaussian Splatting [0.3374875022248866]
スタイル転送は、さまざまな芸術スタイルで3Dアセットを強化し、創造的な表現を変革する。本稿では,3次元ガウス表現シーンにおける3次元オブジェクトのスタイリング手法であるStyleSplatを紹介する。様々な3Dシーンやスタイルにまたがって有効性を示し、3D生成における制御とカスタマイズの強化を示す。
論文参考訳（メタデータ） (2024-07-12T17:55:08Z)
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)
S-DyRF: Reference-Based Stylized Radiance Fields for Dynamic Scenes [58.05447927353328]
現在の3Dスタイリング手法は、現実世界の動的な性質に反する静的なシーンを想定することが多い。本稿では,動的ニューラルネットワークのための参照型時間スタイリング手法であるS-DyRFを提案する。合成と実世界の両方のデータセットを用いた実験により,本手法が有意なスタイリング結果をもたらすことが示された。
論文参考訳（メタデータ） (2024-03-10T13:04:01Z)
SceneWiz3D: Towards Text-guided 3D Scene Composition [134.71933134180782]
既存のアプローチでは、大規模なテキスト・ツー・イメージモデルを使用して3D表現を最適化するか、オブジェクト中心のデータセット上で3Dジェネレータをトレーニングする。テキストから高忠実度3Dシーンを合成する新しい手法であるSceneWiz3Dを紹介する。
論文参考訳（メタデータ） (2023-12-13T18:59:30Z)
Towards 4D Human Video Stylization [56.33756124829298]
本稿では,4D(3Dおよび時間)の映像スタイリングに向けての第一歩として,スタイル変換,新しいビュー合成,人間アニメーションについて述べる。我々はNeural Radiance Fields(NeRF)を利用してビデオを表現する。我々のフレームワークは、斬新なポーズや視点に対応する能力を独自に拡張し、クリエイティブなヒューマンビデオスタイリングのための汎用的なツールとなる。
論文参考訳（メタデータ） (2023-12-07T08:58:33Z)
StyleRF: Zero-shot 3D Style Transfer of Neural Radiance Fields [52.19291190355375]
StyleRF(Style Radiance Fields)は、革新的な3Dスタイル転送技術である。 3Dシーンを表現するために、高精細な特徴の明確なグリッドを使用し、ボリュームレンダリングによって高精細な幾何学を確実に復元することができる。グリッド機能は参照スタイルに従って変換され、それが直接的に高品質のゼロショットスタイルの転送につながる。
論文参考訳（メタデータ） (2023-03-19T08:26:06Z)
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)
StyleMesh: Style Transfer for Indoor 3D Scene Reconstructions [11.153966202832933]
屋内シーンのメッシュ再構成にスタイル転送を適用する。これにより、お気に入りのアーティストのスタイルで描かれた3D環境を体験するといったVRアプリケーションが可能になる。
論文参考訳（メタデータ） (2021-12-02T18:59:59Z)
Learning to Stylize Novel Views [82.24095446809946]
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。
論文参考訳（メタデータ） (2021-05-27T23:58:18Z)

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。