NeRF-Art：文本驱动的神经辐射场风格化
计算机视觉与模式识别
2022-12-16 v1 图形学
摘要
作为三维场景的一种强大表示，神经辐射场（NeRF）能够从多视角图像中实现高质量的新视角合成。然而，对 NeRF 进行风格化仍然具有挑战性，尤其是在同时改变外观与几何形状以模拟文本引导的风格方面。本文提出 NeRF-Art，一种文本引导的 NeRF 风格化方法，可通过简单的文本提示对预训练的 NeRF 模型进行风格操控。与以往要么缺乏足够的几何形变与纹理细节、要么需要网格来引导风格化的方法不同，我们的方法能够在无任何网格引导的情况下，将三维场景迁移至具有期望几何与外观变化的目标风格。这是通过引入一种新颖的全局-局部对比学习策略，并结合方向约束来同时控制目标风格的轨迹与强度而实现的。此外，我们采用权重正则化方法，有效抑制在几何风格化过程中密度场变换时容易产生的云雾状伪影与几何噪声。通过在多种风格上的大量实验，我们证明了该方法在单视角风格化质量与跨视角一致性方面均有效且鲁棒。代码与更多结果见项目主页：https://cassiepython.github.io/nerfart/。
引用
@article{arxiv.2212.08070,
title = {NeRF-Art: Text-Driven Neural Radiance Fields Stylization},
author = {Can Wang and Ruixiang Jiang and Menglei Chai and Mingming He and Dongdong Chen and Jing Liao},
journal= {arXiv preprint arXiv:2212.08070},
year = {2022}
}
备注
Project page: https://cassiepython.github.io/nerfart/