arXiv:2306.10350

MA-NeRF: Motion-Assisted Neural Radiance Fields for Face Synthesis from Sparse Images

Weichen Zhang, Xiang Zhou, Yukang Cao, Wensen Feng, Chun Yuan

제출 2023-06-17

원문 초록

We address the problem of photorealistic 3D face avatar synthesis from sparse images. Existing Parametric models for face avatar reconstruction struggle to generate details that originate from inputs. Meanwhile, although current NeRF-based avatar methods provide promising results for novel view synthesis, they fail to generalize well for unseen expressions. We improve from NeRF and propose a novel framework that, by leveraging the parametric 3DMM models, can reconstruct a high-fidelity drivable face avatar and successfully handle the unseen expressions. At the core of our implementation are structured displacement feature and semantic-aware learning module. Our structured displacement feature will introduce the motion prior as an additional constraints and help perform better for unseen expressions, by constructing displacement volume. Besides, the semantic-aware learning incorporates multi-level prior, e.g., semantic embedding, learnable latent code, to lift the performance to a higher level. Thorough experiments have been doen both quantitatively and qualitatively to demonstrate the design of our framework, and our method achieves much better results than the current state-of-the-arts.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.27305v1cs.CV공통 태그 Face Generation, Novel View Synthesis, NeRF

NeRF 기하 조형: 3D 인식 얼굴 GAN의 인간 선호 미세조정

Sculpting NeRF Geometry: Human-Preference Fine-Tuning of a 3D-Aware Face GAN

3D 생성을 위한 인간 피드백 강화학습(RLHF)은 여러 연구에서 이미 정착되었지만, 기존 파이프라인 대부분은 명시적 표면 표현을 최적화하며, 흔히 radiance field를 메시로 변환하고 표면 감독 데이터 위주로 학습한다. 우리는 대신 외부에서 제공되는 메시나 형상 prior 없이, radiance field 밀도($\sigma$) 값에 대한 학습된 보상으로 사전학습된 3D 인식 생성 모델을 직접 미세조정한다. 보상 모델은 사전학습이 필요 없고, 소량의 선호 샘플로 쉽게 학습되며, 3D 기하에서 견고한 개선을 이끈다. 무조건부 3D 인식 얼굴 GAN(EG3D)을 대상으로, 우리의 보상은 신경 radiance field(NeRF)의 연속 3D 밀도 필드를 직접 읽어 기하 전용 학습 신호를 제공하며, 텍스트 조건화, 메시 추출, 다중 시점 렌더링이 모두 필요하지 않다. 밀도 일관성 제약은 기하가 재형성되는 동안 2D 외관을 질적으로 유사하게 유지하며, 측정 가능하나 제한된 분포 비용(FID-50k가 4.09에서 6.66으로 증가)을 수반한다: 개념 증명으로 단일 어노테이터의 선호만으로 미세조정된 생성기를 학습했을 때, pairwise 비교의 74.4%에서 사용자가 선호하는 얼굴 기하를 생성한다.

arXiv:2607.01164v2cs.LG공통 태그 Novel View Synthesis, NeRF

정형 및 비정형 볼륨의 빠르고 메시가 필요 없는 압축을 위한 명시적 3D 가우시안 모델

Explicit 3D Gaussian Models for Fast, Mesh-Free Compression of Structured and Unstructured Volumes

최근 연구는 암시적 신경 표현(INR)이 정형 및 비정형 볼륨 데이터를 효과적으로 압축하도록 학습될 수 있으며, 줄어든 메모리 사용량으로 데이터를 직접 질의할 수 있음을 보였다. 그러나 비정형 볼륨에 대한 기존 INR은 기하 정보를 인코딩하지 않으므로 이후 샘플링을 위해 일부 메시를 저장해야 하며, 이는 달성 가능한 압축을 제한한다. 한편 새로운 시점 합성 방법은 3D 가우시안의 명시적 집합으로 볼륨 데이터를 정확하게 시각화할 수 있음을 보였다. 본 연구에서는 3D 가우시안 프리미티브에 기반한 볼륨 데이터 압축용 명시적 모델을 소개한다. 우리는 3D 가우시안 집합을 볼륨 스칼라 장의 명시적 표현으로 재해석하고, 교차하는 가우시안의 가중 집계를 통해 공간 위치에서 스칼라 값을 복원하는 샘플링 전략을 사용한다. 또한 정형 및 비정형 모델 샘플링을 위한 최적화된 CUDA 가속 파이프라인, 모델의 정확한 영역 커버리지를 유도하는 손실 함수, 샘플링 오차 기반의 새로운 밀도화 전략을 개발한다. 우리의 명시적 정식화는 영역 기하를 자연스럽게 인코딩하여 비정형 볼륨에서 메시 저장의 필요를 없애고 훨씬 높은 압축 가능성을 제공한다. 기존 INR과 비교하여, 우리의 명시적 모델은 정형 및 비정형 볼륨 모두에서 학습 속도와 복원 품질을 크게 개선하며, 비정형 볼륨에서는 기존 연구보다 훨씬 높은 압축률을 가능하게 함을 보인다.

arXiv:2610.13757v1cs.CV공통 태그 Novel View Synthesis, NeRF

관찰된 정보로 반사를 안내하는 가우시안 스플래팅

Gaussian Splatting with Reflections Guided by What is Seen

NeRF(Neural Radiance Fields)와 3DGS(3D Gaussian Splatting)와 같은 새로운 시점 합성(novel view synthesis) 방법들은 일반적인 장면에서 인상적인 성능을 보여주었지만, 시점 의존적인(view-dependent) 반사(specular) 효과, 특히 근거리 반사(near-field reflection)를 포착하는 데 어려움을 겪는 경우가 많다. 기존 방법들은 무한히 먼 곳의 광원만을 표현하는 환경 맵(environment map)이나, 반사로부터의 간접적인 감독(supervision)에만 의존하는 환경 가우시안(environment Gaussian)을 활용하지만, 이러한 효과를 정확하게 모델링하기에는 충분하지 않다. 본 논문에서는 입력 이미지에서 직접 관찰 가능한 환경 정보를 활용하는 2DGS(2D Gaussian Splatting) 기반 프레임워크를 제안한다. 또한 본 접근법은 하이브리드 반사 외관 표현과 시점 의존적인 반사 모델링을 통합한다. 공개 벤치마크와 새롭게 구축한 근거리 반사 데이터셋에 대한 실험을 통해 본 방법이 우수한 렌더링 품질과 기하학적 정확도를 달성함을 입증한다.

arXiv:2603.28431v4cs.CV공통 태그 Novel View Synthesis, NeRF

LG-HCC: 3D Gaussian Splatting을 위한 국소 기하 인식 계층적 컨텍스트 압축

LG-HCC: Local Geometry-Aware Hierarchical Context Compression for 3D Gaussian Splatting

3D Gaussian Splatting(3DGS)은 고충실도 실시간 렌더링을 가능하게 하지만, 과도한 저장 공간 부담이 실용 배포를 크게 저해한다. 최근 앵커 기반 3DGS 압축 방식은 고급 컨텍스트 모델을 통해 가우시안 중복을 줄인다. 그러나 이들은 명시적 기하 의존성을 간과하여 구조적 열화와 차원(rate-distortion) 성능 저하를 초래한다. 본 논문에서는 3DGS를 위한 국소 기하 인식 계층적 컨텍스트 압축(Local Geometry-aware Hierarchical Context Compression, LG-HCC) 프레임워크를 제안한다. 이는 앵커 간 기하 상관을 앵커 가지치기와 엔트로피 코딩에 통합하여 compact 표현을 달성한다. 구체적으로, 가중 이웃 특징 집계로 앵커 중요도를 평가한 뒤 기여도가 낮은 앵커를 두드러진 이웃에 병합하는 이웃 인식 앵커 가지치기(Neighborhood-Aware Anchor Pruning, NAAP) 전략을 도입하여, compact하면서도 기하적으로 일관된 앵커 집합을 만든다. 또한 경량 기하 유도 합성곱(Geometry-Guided Convolution, GG-Conv) 연산자로 거친-세밀(coarse-to-fine) 사전분포를 활용하는 계층적 엔트로피 코딩 방식을 추가로 설계하여, 공간적으로 적응적인 컨텍스트 모델링과 rate-distortion 최적화를 가능하게 한다. 광범위한 실험에서 LG-HCC는 구조 보존 문제를 효과적으로 완화하며, Mip-NeRF360 데이터셋에서 Scaffold-GS 기준선 대비 최대 30.85배 저장 공간을 줄이면서도 우수한 기하적 무결성과 렌더링 충실도를 달성한다.

arXiv:2604.13416v4cs.CV공통 태그 Novel View Synthesis, NeRF

DF3DV-1K: 방해물 제거 새로운 시점 합성을 위한 대규모 데이터셋 및 벤치마크

DF3DV-1K: A Large-Scale Dataset and Benchmark for Distractor-Free Novel View Synthesis

라디언스 필드(radiance fields)의 발전은 사실적인 새로운 시점 합성(novel view synthesis)을 가능하게 했습니다. 여러 도메인에서 장면 특화(scene-specific) 재구성을 넘어선 발전을 지원하고 종합적인 벤치마킹을 위해 대규모 실제 환경 데이터셋이 개발되었습니다. 하지만 방해물 제거 라디언스 필드(distractor-free radiance fields)의 경우, 장면별로 깨끗한 이미지와 방해물이 섞인(cluttered) 이미지를 모두 제공하는 대규모 데이터셋이 여전히 부족하여 개발이 제한되고 있습니다. 이러한 격차를 해소하기 위해 DF3DV-1K를 소개합니다. 이는 1,048개의 장면으로 구성된 대규모 실제 환경 데이터셋으로, 벤치마킹을 위해 각 장면마다 깨끗한 이미지 세트와 방해물이 섞인 이미지 세트를 제공합니다. 총 89,924장의 이미지가 포함된 이 데이터셋은 소비자용 카메라를 사용하여 일상적인 촬영(casual capture)을 모방하여 캡처되었으며, 실내 및 실외 환경에 걸쳐 128개의 방해물 유형과 161개의 장면 테마를 아우릅니다. 41개 장면으로 구성된 선별된 부분 집합인 DF3DV-41은 도전적인 시나리오에서 방해물 제거 라디언스 필드 방법들의 견고성(robustness)을 평가하도록 체계적으로 설계되었습니다. DF3DV-1K를 사용하여 최근의 방해물 제거 라디언스 필드 방법 9개와 3D 가우시안 스플래팅(3D Gaussian Splatting)을 벤치마킹하여 가장 견고한 방법과 가장 도전적인 시나리오를 식별했습니다. 벤치마킹을 넘어, DF3DV-1K의 응용 사례로 디퓨전 기반 2D 향상 모델(diffusion-based 2D enhancer)을 미세조정(fine-tuning)하여 라디언스 필드 방법을 개선하는 방법을 시연했습니다. 그 결과 보류 평가셋(held-out set, 예: DF3DV-41)과 On-the-go 데이터셋에서 평균 0.96 dB PSNR 및 0.057 LPIPS의 향상을 달성했습니다. DF3DV-1K가 방해물 제거 비전(distractor-free vision)의 개발을 촉진하고 장면 특화 접근 방식을 넘어선 진전을 촉진하기를 바랍니다. 데이터셋과 리더보드는 https://johnnylu305.github.io/df3dv1k_web/ 에서 확인할 수 있습니다.

arXiv:2607.21675v1quant-ph공통 태그 Novel View Synthesis, NeRF

Hash-QNeRF: 양자 신경 방사 필드를 위한 다중해상도 해시 인코딩

Hash-QNeRF: Multiresolution Hash Encoding for Quantum Neural Radiance Fields

신경 방사 필드(Neural Radiance Fields, NeRF)는 신규 시점 합성을 혁신했지만, 고전적 구현은 고충실도 렌더링에 여전히 계산 비용이 크다. QNeRF는 최근 진폭 임베딩, 매개변수화 양자 회로(PQC), 패리티 기반 측정, 체적 렌더링을 결합하여 게이트 기반 양자 컴퓨터에서 NeRF를 학습하는 것이 가능함을 보였다. 그러나 QNeRF는 공간 좌표에 고전적 사인파 위치 인코딩에 의존하며, 이는 장면 복잡도 및 해상도에 따라 확장성이 떨어진다. 본 연구에서는 시점 방향 인코딩, 진폭 MLP, 양자 회로, 패리티 측정, 출력 스케일링, 체적 렌더링 파이프라인은 그대로 유지한 채, 공간 좌표용 사인파 위치 인코딩을 Instant-NGP의 다중해상도 해시 인코딩으로 대체한다. 이 하이브리드 설계인 Hash-QNeRF는 학습 가능한 해시 그리드의 빠른 수렴과 메모리 효율성을 활용하면서도 양자 방사량 예측 단계를 유지한다. 합성 Blender 장면에서 최종 학습 손실 0.003534를 달성했으며, 이는 피팅된 배치에서 약 24.5 dB PSNR에 해당한다. Qiskit FakeKyiv 및 FakeTorino 백엔드를 사용한 잡음 강건성 실험에서는 상태 충실도가 0.93에서 0.98로 나타나, 해시 인코딩이 양자 회로의 잡음 내성을 저하시키지 않음을 보인다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.