SDF-StyleGAN：基于隐式SDF的StyleGAN用于三维形状生成
计算机视觉与模式识别
2022-06-27 v1
摘要
我们提出一种基于StyleGAN2的深度学习方法用于三维形状生成，称为SDF-StyleGAN，旨在减小生成形状与形状集合之间的视觉与几何差异。我们将StyleGAN2扩展到三维生成，并利用隐式符号距离函数（SDF）作为三维形状表示，引入两种新颖的全局与局部形状判别器来区分真实与虚假的SDF值和梯度，以显著提升形状几何与视觉质量。我们进一步用基于着色图像的Fréchet inception distance（FID）分数补充三维生成模型的评估指标，以更好地评估生成形状的视觉质量与形状分布。形状生成实验证明了SDF-StyleGAN优于最先进方法的性能。我们进一步展示了SDF-StyleGAN在基于GAN inversion的多种任务中的有效性，包括形状重建、基于部分点云的形状补全、单视图图像形状生成和形状风格编辑。大量消融研究验证了我们的框架设计的有效性。我们的代码和训练模型可在 https://github.com/Zhengxinyang/SDF-StyleGAN 获取。
引用
@article{arxiv.2206.12055,
title = {SDF-StyleGAN: Implicit SDF-Based StyleGAN for 3D Shape Generation},
author = {Xin-Yang Zheng and Yang Liu and Peng-Shuai Wang and Xin Tong},
journal= {arXiv preprint arXiv:2206.12055},
year = {2022}
}
备注
Accepted to Computer Graphics Forum (SGP), 2022