wrk226的博客

本文做的是基于单图的新视角合成中的风格迁移。之前的工作在做新视角合成的风格迁移时需要多视角图片，而本文只需要一张图。主要思路是先提取2D图片的深度，然后进行深度图补全以恢复所有视角中的深度信息。之后将深度转化为点云再提取点云特征，并迁移到目标图的风格上去。本文的创新点有两个，一个是提出了一个GCN用来提取大规模的点云特征，另一个是提出了一个基于点的多视角一致性损失。模型结构可以看到，这里模型分为了三个大步骤，构建点云，基于点云的风格迁移，渲染。构建点云模型中输入的就是一张2D图，作者先使用L

本文做的是基于新视角生成的风格转换。其中的一大难点是如何保证转换风格后不同视角之间的3D统一性。整体模型是基于点云的，作者先将输入的一系列图像转换成点云，然后将点云按照目标风格图像的特征进行转换，最后基于转换后的点云进行渲染，从而得到新视角生成的风格转换图。模型结构模型流程如上图所示，主要分为三个步骤：提取点云，点云转换，新视角生成。提取点云这里作者使用了SFM算法提取了输入图像的深度，这样就可以将图像中的点一一对应到空间中了。然后使用VGG-19抽取了基于每个像素的特征，放置于点云里每

本文做的是基于3D物体的风格迁移。与之前模型不同的是，他可以同时迁移纹理和几何形状。由于样本不足，本文是将纹理和几何形状的风格迁移单独训练的。几何部分所谓的逻辑就是每个语义分割部位的相对大小，而纹理的风格迁移就遵循了之前工作中的定义。模型结构整体网络分为三个部分，纹理迁移，几何迁移和最后的3D空间中的优化阶段。几何迁移这里作者认为几何上风格的不同主要取决于局部的大小，比如动漫里通常头部比较大，而真实场景中头部偏小。因此作者将输入的3D模型分解成固定个数的语意块，并将每个语意块映射到一个椭