Freditor：基于频率分解的高保真可迁移 NeRF 编辑
计算机视觉与模式识别
2024-04-04 v1
摘要
本文通过频率分解实现高保真、可迁移的 NeRF 编辑。最近的 NeRF 编辑管道将 2D 风格化结果提升至 3D 场景，却出现模糊结果，无法捕获由 2D 编辑不一致导致的细节结构。我们的关键洞察是，图像的低频分量在编辑后相对于高频部分更具多视图一致性。此外，外观风格主要体现在低频分量上，而内容细节则主要位于高频部分。这激励我们对低频分量进行编辑，从而获得高保真编辑场景。此外，编辑在低频特征空间中进行，实现稳定的强度控制和新场景迁移。在照片写实数据集上进行的全面实验表明，Freditor 在高保真和可迁移性方面表现优异。项目页面位于 \url{https://aigc3d.github.io/freditor}。
引用
@article{arxiv.2404.02514,
title = {Freditor: High-Fidelity and Transferable NeRF Editing by Frequency Decomposition},
author = {Yisheng He and Weihao Yuan and Siyu Zhu and Zilong Dong and Liefeng Bo and Qixing Huang},
journal= {arXiv preprint arXiv:2404.02514},
year = {2024}
}