.png){kind=icon}
返回
Representing Animatable Avatar via Factorized Neural Fields
.png){kind=icon}
OA
AI
DOI：10.1111/cgf.70192.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为了从单目视频中重建高保真度的人体3D模型，关键在于保持一致的大尺度身体形态以及精细匹配的微妙皱纹。本文探讨了如何将逐帧渲染结果分解为一个姿态无关分量和一个对应的姿态相关分量，以促进多尺度下的帧一致性。通过限制这两个分量的频率带，进一步改进了姿态自适应纹理特征。期望姿态无关输出为低频信号，而高频信息则与姿态相关因子关联。我们通过双分支网络实现这一目标。第一分支以规范空间中的坐标作为输入，第二分支额外考虑第一分支输出的特征以及每帧的姿态信息。最终网络整合两个分支预测的信息，并利用体渲染生成照片级真实感的3D人体图像。通过实验，我们证明该方法在保持高频细节和确保一致身体轮廓方面始终优于所有当前最先进的方法。我们的代码可通过https://github.com/ChunjinSong/facavatar获取。
Keyword:
CCS Concepts
• Computing methodologies → Reconstruction
Shape inference
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.9
论文数:
564
被引数:
1.1W
机构
引用论文
暂无论文信息