.png){kind=icon}
返回
Geometry guidance diffusion image morphing with large shape difference
.png){kind=icon}
PRE
AI
DOI：10.1007/s00371-025-03939-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图像扩散模型促进了视觉吸引力图像的生成，这种强大的生成能力也为图像渐变等任务开辟了新的途径。以往的基于扩散模型的图像渐变方法主要关注插值文本嵌入和潜在向量。然而，直接插值高层特征忽略了显式形状控制，导致渐变过程缺乏平滑的形状过渡。此外，无约束的插值可能将结果驱离扩散模型的领域，产生明显的伪影。为解决这些问题，我们提出了一种新型的基于扩散模型的方法，确保平滑的形状过渡。为克服缺乏显式形状控制的问题，我们的核心思想是利用法线贴图作为几何引导，实现精确的图像渐变。通过结合3D重建技术与变分隐式曲面方法，我们的方法确保了更平滑、更稳定的渐变序列，并在整个变换过程中保持形状一致性。对比实验表明，我们的方法能产生平滑、一致且稳定的结果，并优于现有的SOTA技术（如IMPUS和DiffMorpher），特别是在处理形状差异较大的图像时。
Keyword:
Image morphing
Diffusion model
Geometric guidance
期刊
IF:
2.9
论文数:
4.6K
被引数:
6.5K
机构
暂无机构信息
引用论文
.png){kind=icon}
Single-Stage Diffusion NeRF: A Unified Approach to 3D Generation and Reconstruction单阶段扩散神经辐射场：一种3D生成与重建的统一方法
OAAI
OAAI分享收藏DiffMorpher: Unleashing the Capability of Diffusion Models for Image MorphingDiffMorpher：释放扩散模型在图像渐变中的能力
PREAI
分享收藏
查看更多内容