【斯坦福博士论文】可控生成与编辑的三维神经表示，

文章预览

随着对更高质量视频制作和3D资产的需求持续增长，帮助减轻相关成本的智能艺术家工具的需求也在不断增加。更具体来说，3D AI艺术家工具有可能极大地自动化或促进内容创作过程。这类工具的关键组件是其底层的3D神经表示：即模型如何编码和理解3D世界。本论文提出了更加表达性、效率高且解耦的3D神经表示，从一个新颖的表示开始，该表示结合了可泛化和过拟合先验的知识。通过这种表示，我们提出了一种新方法，以促进高质量的局部3D形状编辑和部件混合。接下来，我们介绍了一种更高效的3D三平面架构，可应用于大幅度提升3D生成模型的训练和合成质量。然后，我们探讨了这些高质量3D GANs所带来的新应用，特别是分析了学习到的潜在空间的能力和局限性。最后，我们提出了一种混合型3D神经表示，结合了隐式表示和显式数据结构，以提供更 ………………………………