整理：AI算法与图像处理
CVPR2022论文和代码整理：https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo
ECCV2022论文和代码整理：https://github.com/DWCTOD/ECCV2022-Papers-with-Code-Demo
最新成果demo展示：
标题：Next3D: Generative Neural Texture Rasterization for 3D-Aware Head Avatars
论文：https://arxiv.org/pdf/2211.11208.pdf
主页：代码
摘要：
3D 感知生成对抗网络 (GAN) 仅使用单视图 2D 图像集合来合成高保真和多视图一致的面部图像。为了对面部属性进行细粒度控制，最近的努力结合了 3D 可变形面部模型 (3DMM) 来显式或隐式地描述生成辐射场中的变形。显式方法提供细粒度的表达控制，但不能处理由头发和配饰引起的拓扑变化，而隐式方法可以模拟各种拓扑，但由于不受约束的变形场而导致泛化能力有限。我们提出了一种新颖的 3D GAN 框架，用于从非结构化 2D 图像中无监督地学习生成的、高质量和 3D 一致的面部头像。为了同时实现变形精度和拓扑灵活性，我们提出了一种称为生成纹理栅格化三平面的 3D 表示。所提出的表示在参数化网格模板之上学习生成神经纹理，然后通过光栅化将它们投影到三个正交视图的特征平面中，形成用于体积渲染的三平面特征表示。通过这种方式，我们结合了网格引导显式变形的细粒度表达控制和隐式体积表示的灵活性。我们进一步提出了用于对 3DMM 未考虑的口腔内部进行建模的特定模块。我们的方法通过大量实验展示了最先进的 3D 感知合成质量和动画能力。此外，作为 3D 先验，我们的可动画 3D 表示增强了多种应用程序，包括一次性面部头像和 3D 感知风格化。
最新论文整理
ECCV2022
CVPR2022
NeurIPS
Updated on : 24 Nov 2022
total number : 3
Sparse2Dense: Learning to Densify 3D Features for 3D Object Detection
- 论文/Paper: http://arxiv.org/pdf/2211.13067
- 代码/Code: https://github.com/stevewongv/Sparse2Dense
GhostNetV2: Enhance Cheap Operation with Long-Range Attention
- 论文/Paper: http://arxiv.org/pdf/2211.12905
- 代码/Code: and
Benchmarking Bayesian Deep Learning on Diabetic Retinopathy Detection Tasks
- 论文/Paper: http://arxiv.org/pdf/2211.12717
- 代码/Code: None
