Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
${C}^{3}$-GS : Apprentissage d'une fonctionnalité contextuelle, interdimensionnelle et inter-échelle pour un étalement gaussien généralisable
Created by
Haebom
Auteur
Yuxi Hu, Jun Zhang, Kuangyi Chen, Zhe Zhang, Friedrich Fraundorfer
Contour
Cet article vise à développer une méthode d'éclaboussure gaussienne généralisable, synthétisant de nouvelles vues de nouvelles scènes sans optimisation spécifique. Si les méthodes existantes, qui estiment les paramètres gaussiens par pixel à l'aide de réseaux à propagation directe, permettent une synthèse de haute qualité, elles peinent à construire une géométrie précise à partir de vues d'entrée éparses. Pour remédier à ce problème, nous proposons le framework $\mathbf{C}^{3}$-GS, qui intègre la prise en compte du contexte, la transdimensionnalité et les contraintes trans-échelles afin d'améliorer l'apprentissage des caractéristiques. $\mathbf{C}^{3}$-GS intègre trois modules légers pour réaliser une synthèse réaliste sans supervision supplémentaire. Des expériences approfondies sur des jeux de données de référence démontrent que $\mathbf{C}^{3}$-GS atteint une qualité de rendu et une capacité de généralisation de pointe. Le code est disponible à l'adresse https://github.com/YuhsiHu/C3-GS .
