3DEnhancer：用于三维增强的一致多视图扩散

尽管神经渲染取得了进展，但由于高质量三维数据集的稀缺以及多视图扩散模型的固有局限性，视图合成和三维模型生成仍局限于低分辨率和次优的多视图一致性。在本研究中，我们提出了一种新颖的三维增强流水线，称为3DEnhancer，它采用多视图潜在扩散模型来增强粗糙的三维输入，同时保持多视图一致性。我们的方法包括一个姿态感知编码器和一个基于扩散的去噪器，用于优化低质量的多视图图像，以及数据增强和带有极线聚合的多视图注意力模块，以在视图间保持一致的高质量三维输出。与现有的基于视频的方法不同，我们的模型支持无缝的多视图增强，并在不同视角间具有更好的连贯性。大量评估表明，3DEnhancer显著优于现有方法，提升了多视图增强和逐实例三维优化任务。