TEGLO：基于单视图图像的高保真规范纹理映射
计算机视觉与模式识别
2023-03-27 v1
摘要
近期神经场(Neural Fields, NFs)的工作从特定类别的单视图图像集合中学习三维表示。然而，它们无法在重建输入数据时保留高频细节。此外，这些方法未将外观与几何解耦，因此不适用于纹理迁移与编辑等任务。本文中，我们提出 TEGLO (Textured EG3D-GLO)，用于从给定类别物体的单视图自然图像集合中学习三维表示。我们通过训练条件神经辐射场(Neural Radiance Field, NeRF)实现该目标，无需任何显式三维监督。我们通过创建到二维规范空间的稠密对应映射赋予方法编辑能力。我们证明此种映射可在无需共享拓扑网格的情况下实现纹理迁移与纹理编辑。我们的核心见解是，通过将输入图像像素映射到纹理空间，可实现近乎完美的重建（在 1024^2 分辨率下 PSNR ≥ 74 dB）。我们的公式允许在百万像素图像分辨率下生成具高频细节的高质量三维一致新视角合成。
引用
@article{arxiv.2303.13743,
title = {TEGLO: High Fidelity Canonical Texture Mapping from Single-View Images},
author = {Vishal Vinod and Tanmay Shah and Dmitry Lagun},
journal= {arXiv preprint arXiv:2303.13743},
year = {2023}
}