Dieser Artikel präsentiert ein neues Verfahren zur effizienten und skalierbaren 3D-Registrierung von Menschenmodellen. Der Kernbeitrag ist NICP, eine selbstüberwachte Aufgabe, die neuronale Felder (NF) iterativ verbessert, um eine genauere Anpassung an die Zieloberfläche zu erreichen.
NICP wird in ein vollständiges Registrierungspipeline namens NSR integriert, das eine lokalisierte Variante des Learned Vertex Descent (LoVD) verwendet. NSR erzielt den aktuellen Stand der Technik auf öffentlichen Benchmarks und zeigt eine robuste Generalisierung auf eine Vielzahl von Herausforderungen wie Rauschen, Teilansichten, Kleidung und Posen, die weit außerhalb der Trainingsdaten liegen.
Die Autoren zeigen die Leistungsfähigkeit von NICP, indem sie es auf verschiedene NF-Architekturen anwenden und eine umfassende Evaluation auf zahlreichen Datensätzen durchführen. Darüber hinaus demonstrieren sie die Anwendbarkeit von NSR für verschiedene Anwendungsfälle wie die Erstellung animierbarer Avatare aus verrauschten 3D-Rekonstruktionen.
Vers une autre langue
à partir du contenu source
arxiv.org
Questions plus approfondies