Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
${C}^{3}$-GS: Aprendizaje de características contextuales, multidimensionales y multiescalares para la dispersión gaussiana generalizable
Created by
Haebom
Autor
Yuxi Hu, Jun Zhang, Kuangyi Chen, Zhe Zhang, Friedrich Fraundorfer
Describir
Este artículo se centra en la dispersión gaussiana generalizable, que sintetiza vistas novedosas de escenas novedosas sin optimización específica de la escena. Si bien los métodos existentes que estiman parámetros gaussianos por píxel mediante redes de propagación hacia adelante han logrado una síntesis de alta calidad, presentan dificultades para construir una geometría precisa a partir de vistas de entrada dispersas. Para abordar esto, proponemos el marco $\mathbf{C}^{3}$-GS, que mejora el aprendizaje de características al incorporar conocimiento del contexto, interdimensionalidad y restricciones de escala cruzada. $\mathbf{C}^{3}$-GS integra tres módulos ligeros para lograr una síntesis realista sin supervisión adicional. Amplios experimentos con conjuntos de datos de referencia demuestran que $\mathbf{C}^{3}$-GS alcanza una calidad de renderizado y una capacidad de generalización de vanguardia. El código se puede encontrar en https://github.com/YuhsiHu/C3-GS .
