본 논문은 3D 모델을 고압축 잠재 공간으로 매핑하는 새로운 계층적 오토인코더 모델 LaGeM을 제안한다. LaGeM은 기존 접근법보다 훈련 시간과 메모리 사용량을 크게 줄이면서도 고품질의 기하학적 세부 사항을 표현할 수 있다. 또한 계층적 잠재 공간을 활용한 단계적 확산 모델을 제안하여 생성된 3D 모델의 세부 수준을 제어할 수 있다.
제한된 3D 헤드 데이터셋에서 360도 렌더링 가능하고 리깅 가능한 고품질 3D 헤드 아바타 생성 모델을 학습하는 것이 핵심 내용입니다.
This paper proposes methods to learn a native generative model for 360-degree renderable and riggable 3D heads from limited 3D head datasets, by disentangling appearance, shape, and expression in the parametric space.
Feature Splatting (FeatSplat) uses learned feature vectors instead of spherical harmonics to better encode color information and increase the capacity and flexibility of 3D Gaussian scene representations, leading to improved novel view synthesis performance, especially for viewpoints distant from the training data.
복잡한 니트 패턴을 가진 니트웨어의 효율적인 시뮬레이션을 위해 체적 균질화 기법을 제안한다. 이 기법은 각 체적 요소에 독립적인 재료 매개변수를 할당하여 복잡한 니트 구조를 효과적으로 모델링할 수 있다.
본 연구는 텍스트 프롬프트 또는 단일 이미지를 입력으로 받아 사실적이고 애니메이션 가능한 3D 아바타를 생성하는 새로운 접근법을 제안한다. 이를 위해 조명 효과를 제거하는 확산 색상 추출 모델과 3D 메시와 잘 정렬된 고품질 PBR 텍스처를 생성하는 진정성 기반 텍스처 확산 모델을 개발하였다.
The proposed UltrAvatar framework can generate high-quality, diverse, and animatable 3D avatars from either text prompts or single face images, by leveraging a diffuse color extraction model and an authenticity-guided texture diffusion model.
SpaceMesh는 신경망 출력으로 복잡한 다각형 메쉬를 직접 생성할 수 있는 연속적인 표현 방식을 제안한다. 이 방식은 보장된 다면체 연결성을 제공하며 기계 학습 및 확률적 최적화에 적합하다.
A continuous representation for manifold polygonal meshes that can be optimized and learned to generate diverse mesh outputs.
This paper presents an end-to-end relightable neural inverse rendering system that achieves high-quality reconstruction of geometry and material properties for glossy objects, enabling high-quality relighting.