MPI研究路线

CV 

从头开始复盘一下MPI这条路线的始末,再次回顾这条线其实很多想法都会和之前不同,所以会以现在的观点重新审视。

Template

ACM 

退役板子归档

Papers

CV 

对所阅读过的各个领域论文的汇总

2023.4阅读文章汇总

CV 

2023年4月阅读论文的汇总

2023.3阅读文章汇总

CV 

2023.3阅读文章汇总

[CVPR2022] GRAM: Generative Radiance Manifolds for 3D-Aware Image Generation

CV 

该方法专注于NeRF中需要消耗巨大资源的渲染过程,采用NeRF的生成器往往需要昂贵的时间和硬件成本来进行训练,因此该论文使用了隐式曲面来辅助在光线上的采样,从而在减少采样点的数量的同时,消除了蒙特卡洛模拟引入的随机噪声,使生成器可以学到更细致高质量的结果

对3D-Aware GAN方向的研究

CV 

对3D-Aware GAN方向的研究

[CVPR2022] StyleSDF: High-Resolution 3D-Consistent Image and Geometry Generation

CV 

最近看了不少论文,大致了解了一下3D-aware GAN的发展,这篇感觉比较有意思,拿来写一写Introduction3D-aware GAN可以生成连续视图的图像,但是分辨率往往不高,因为NeRF结构的限制,高分辨率图像的生成需要很大的计算成本。而StyleGAN作为高分辨率2D图像生成中极为先进

[CVPR2022] FENeRF: Face Editing in Neural Radiance Fields

CV 

Introduction关于肖像生成的方法,目前主要有两种,2D GANs和3D-aware GANs,两者各有擅长的方面。2D GAN可以生成高分辨率图像并具有很高的可编辑性,但是生成不同视图时的一致性很差,3D-aware GAN则相反,能生成一致性很高的视图,但是视图的分辨率和可编辑性不高该文