小熊哥哥的博客

与现有的需要形状的完整表示来进行修改的方法不同，该方法只需要编辑区域的几个视图。为了实现这一目标，论文使用了一个以图像为条件的大型重建模型 (LRM)，该模型经过专门设计，可以根据部分视图对被遮挡区域进行合理的推断。通过在训练 LRM 过程中对输入图像进行随机掩码，迫使模型学习如何根据可见的部分信息推断被遮挡区域的形状，从而实现从单个或少量视图重建完整 3D 模型的能力。与传统方法需要完整的 3D 形状表示不同，该方法仅需编辑区域的几个视图即可完成编辑，大大简化了操作流程并降低了使用门槛。

虽然三维感知生成器取得了显著进展，但许多三维风格化方法主要提供近正面视图，并且难以保留原始人物的独特身份特征，常常导致输出缺乏多样性和个性。论文提出的多视图分数蒸馏方法将扩散模型的风格化能力迁移到GAN模型中，从而实现了在保证图像质量的同时，提升图像多样性和身份保持能力。尝试推动了三维头部风格化的发展，也为扩散模型和GAN之间的有效蒸馏过程提供了宝贵的见解，重点关注身份特征的保持问题。PanoHead模型能够生成360度视角的图像，为实现高质量的三维风格化提供了良好的基础。分数等级加权技术和镜像梯度技术。

基于Transformer的点云模型和对比学习: 使用基于Transformer的架构处理点云数据，能够有效地捕捉点与点之间的长程依赖关系。同时，采用对比学习方法，有效地解决了部件层次结构和歧义问题，提高了模型的鲁棒性和准确性。实际上这个当法的策略跟我们前面提到的将SAM知识蒸馏到3D空间的工作相近，主要体现在目标上的不同。自动数据标注: FIND3D的数据引擎实现了对三维数据的自动标注，避免了耗时的人工标注过程，极大地降低了数据获取成本，并使得训练大规模模型成为可能。

3D 生成重建020-Gaussian Grouping在场景中分割并编辑一切。

3D 生成重建019-LERF用文本在Nerf中开启上帝之眼。

3D 生成重建018-LangSplat用文本在3DGS内搜寻你的真爱。

3D 生成重建017-StyleGaussian用文本或图像对你的3DGS内容进行风格迁移。