MM-NeRF:神经辐射场的多模式引导的3D多样化转移

科学领域:

• 计算机视觉 计算机视觉
• 计算机图形 计算机图形
• 人工智能的人工智能

背景情况:

• 3D 风格传输需要高质量的生成和多视图一致性.
• 现有的方法在详细的风格化和多式联络指导方面扎.
• 由于不一致的多视图监控,当前基于NeRF的方法往往会使纹理细节变得光滑.

研究的目的:

• 提出一种新的多模式导向的3D多样式转移NeRF (MM-NeRF).
• 为了提高3D场景风格化的质量,使用纹理细节.
• 确保跨多个观点和多式联运指导的一致性.

主要方法:

• 将多式向导设计成一个统一的空间,以保持风格的一致性.
• 提取多式模式特征以指导3D造型.
• 采用多头学习方案和多视图风格的一致性损失.
• 实施一个增量学习机制,用于新的风格概括.

主要成果:

• MM-NeRF实现了高质量的3D多样化造型,并提供多模式指导.
• 该方法在多个视图中保持一致性.
• 在不同的多式联络指导输入之间保持了风格一致性.

结论:

• MM-NeRF有效地解决了当前3D风格转移技术的局限性.
• 拟议的方法增强了纹理细节染和多式联络指导.
• MM-NeRF为3D多样化转移提供了一个高效和可通用的解决方案.