3D-Aware Semantic-Guided Generative Model for Human Synthesis
Notice bibliographique
Résumé
Generative Neural Radiance Field (GNeRF) models, which extract<br> implicit 3D representations from 2D images, have recently been shown to produce<br> realistic images representing rigid/semi-rigid objects, such as human faces<br> or cars. However, they usually struggle to generate high-quality images representing<br> non-rigid objects, such as the human body, which is of a great interest for<br> many computer graphics applications. This paper proposes a 3D-aware Semantic-<br> Guided Generative Model (3D-SGAN) for human image synthesis, which combines<br> a GNeRF with a texture generator. The former learns an implicit 3D representation<br> of the human body and outputs a set of 2D semantic segmentation<br> masks. The latter transforms these semantic masks into a real image, adding a<br> realistic texture to the human appearance. Without requiring additional 3D information,<br> our model can learn 3D human representations with a photo-realistic,<br> controllable generation. Our experiments on the DeepFashion dataset show that<br> 3D-SGAN significantly outperforms the most recent baselines. The code is available<br> at https://github.com/zhangqianhui/3DSGAN.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».