DECOR-GAN: 通过条件细化实现三维形状细节化
计算机视觉与模式识别
2021-03-30 v2 图形学
机器学习
摘要
我们引入一个用于三维形状细节化的深度生成网络,类似于以几何细节为风格的风格化。我们通过将问题视为几何细节迁移,来解决从少量范例创建大量高分辨率且细节丰富的三维几何的挑战。给定低分辨率粗糙体素形状,我们的网络通过体素上采样将其细化为富含几何细节的更高分辨率形状。输出形状保留输入的整体结构(或内容),而其细节生成以对应于详细范例的输入“风格代码”为条件。我们通过条件细化进行的三维细节化由一个生成对抗网络实现,称为DECOR-GAN。该网络利用三维CNN生成器对粗糙体素上采样,以及三维PatchGAN判别器来强制生成模型的局部块与训练详细形状中的那些块相似。在测试期间,将风格代码输入生成器以调节细化。我们展示了我们的方法可以将粗糙形状细化为具有不同风格的多种详细形状。生成结果在内容保持、合理性和多样性方面进行评估。进行了全面的消融研究以验证我们的网络设计。代码可在 https://github.com/czq142857/DECOR-GAN 获取。
引用
@article{arxiv.2012.09159,
title = {DECOR-GAN: 3D Shape Detailization by Conditional Refinement},
author = {Zhiqin Chen and Vladimir G. Kim and Matthew Fisher and Noam Aigerman and Hao Zhang and Siddhartha Chaudhuri},
journal= {arXiv preprint arXiv:2012.09159},
year = {2021}
}
备注
CVPR 2021 (oral). Code: https://github.com/czq142857/DECOR-GAN