Meta提出用毕加索等艺术家美术风格渲染3D世界( 二 )


为了展示样式化方法的灵活性 , 团队在3种不同的场景类型训练SNeRF:室内场景、室外场景和动态Avatar 。 对于室内场景 , 他们使用LLFF数据集中的场景Fern和TRex训练NeRF 。 对于室外场景 , 使用来自坦克和寺庙数据集的场景卡车、火车、M60和操场来训练NeRF++ 。 他们同时使用所述方法来样式化4DAvatar 。
对于NeRF场景 , 使用大小为1008×756的图像对3D场景进行样式化 。 对于NeRF++ , 使用卡车980×546、火车982×546、M601077×546和操场1008×548的图像 。 对于动态4DAvatar , 使用大小为512×512的图像进行训练 。
Meta提出用毕加索等艺术家美术风格渲染3D世界
文章图片
Meta提出用毕加索等艺术家美术风格渲染3D世界
文章图片
Meta提出用毕加索等艺术家美术风格渲染3D世界
文章图片
Meta提出用毕加索等艺术家美术风格渲染3D世界
文章图片
Meta提出用毕加索等艺术家美术风格渲染3D世界
文章图片
Meta提出用毕加索等艺术家美术风格渲染3D世界
文章图片
如上图所示 , 与图像和视频风格传输方法相比 , 他们定性和定量地展示了SNeRF在生成多视图一致性结果方面的优势 。 实验同时表明 , 与其他基于3D的方法相比 , Meta的方法产生了更好的样式化结果 , 这主要归因于相关方法在样式化3D场景几何体和外观方面的灵活性 。
与专注于静态场景的现有方法不同 , 团队的方法同时可以将动态内容样式化 , 例如4DAvatar 。 研究人员观察到 , 样式化结果的质量部分取决于使用RGB图像训练的场景函数的质量 。 例如 , 在图8中 , 与groundtruthRGB图像相比 , 底层NeRF模型无法捕捉背景中植被的清晰细节 。 这最终会导致模糊的样式化结果 。
请注意 , 即使使用Meta方法训练样式化NeRF需要一定的时间 , 但一旦训练完成 , 它们就可以“烘焙”用于AR、VR和MR应用中的实时渲染 。 除了RGB图像 , 未来的研究可以探索使用额外的分割或深度图进行样式化 。
当然 , 团队坦承当前的方法存在不足的地方 。 例如 , 他们目前独立地对每个场景进行样式化 , 在不重新启动优化过程的情况下 , 无法对每个场景应用任意样式 。 因此 , 将框架与最近关于任意风格转换的研究相结合将是一个有趣的方向 。 相关论文:SNeRF:StylizedNeuralImplicitRepresentationsfor3DScenes
总的来说 , Meta提出了一种使用隐式申请表示的三维场景样式化方法 。 它能够产生样式化的多视图一致性结果 , 并且很好地匹配目标样式图像 。 另外 , 交替样式化方法能够充分利用硬件内存能力对静态和动态3D场景进行样式化 , 从而以更高的分辨率生成图像 , 并采用更具表现力的图像样式传输方法 。 随着NeRF在提高训练和测试时间的通用性、质量和速度方面吸引了越来越多的研究 , 团队认为使用隐式场景表示进行3D场景样式化将为AR、VR和MR开辟一系列激动人心的应用 。 返回搜狐 , 查看更多
责任编辑: