类别连续条件生成式神经辐射场

三维感知图像合成侧重于在生成具有精细细节的高分辨率图像之外保持空间一致性。近来，神经辐射场（NeRF）被引入用于以低计算成本和优越性能合成新视角。尽管若干工作研究了生成式 NeRF 并取得了显著成果，它们无法在生成过程中处理条件性与连续特征操控。本工作中，我们提出一种称为类别连续条件生成式 NeRF（$\text{C}^{3}$G-NeRF）的新模型，其通过将条件特征投影至生成器与判别器，能够合成条件操控的照片级真实三维一致图像。所提出的 $\text{C}^{3}$G-NeRF 在三个图像数据集 AFHQ、CelebA 和 Cars 上进行了评估。结果表明，我们的模型在条件特征操控中展现出强三维一致性与精细细节及平滑插值。例如，$\text{C}^{3}$G-NeRF 在分辨率为 $\text{128}^{2}$ 的三维感知人脸图像合成中取得了 7.64 的 Fréchet Inception Distance（FID）。此外，我们给出了各数据集每一类的生成三维感知图像的 FID，因为利用 $\text{C}^{3}$G-NeRF 可合成类条件图像。