TL;DR
- چکیده:.
- ما یک خط لوله فشرده برای بازسازی مو با کیفیت بالا از تصاویر چند نمای ارائه میدهیم.
- در حالی که روشهای اخیر 3D Gaussian Splatting (3DGS) به نتایج واقعی میرسند،.
چه اتفاقی افتاد
چکیده:. ما یک خط لوله فشرده برای بازسازی مو با کیفیت بالا از تصاویر چند نمای ارائه میدهیم.
در حالی که روشهای اخیر 3D Gaussian Splatting (3DGS) به نتایج واقعی میرسند،. اغلب به میلیونها نمونه اولیه نیاز دارند که منجر به هزینههای ذخیرهسازی و رندر بالایی میشود.
با مشاهده اینکه مو شباهتهای ساختاری و بصری را در یک مدل مو نشان میدهد،. رشتهها را در کارتهای موی نماینده دستهبندی میکنیم و آنها را در کتابهای کد بافت مشترک گروهبندی میکنیم.
رویکرد ما این ساختار را با رندر 3DGS ادغام میکند و زمان بازسازی و ذخیره سازی را. به میزان قابل توجهی کاهش میدهد و در عین حال کیفیت بصری قابل مقایسهای را حفظ.
میکند. علاوه بر این،.
ما یک روش تسریعشده قبلی را برای بازسازی هندسه رشته اولیه از مجموعهای از تصاویر پیشنهاد میکنیم. آزمایشهای ما کاهش 4 برابری در زمان بازسازی رشته را نشان میدهند و به عملکرد رندر قابل مقایسه.
با بیش از 200 برابر دست مییابند. ردپای حافظه کمتر مورد قبول CVPR 2026.
این نسخه arXiv نسخه نهایی منتشر شده نیست بینایی کامپیوتری و تشخیص الگو (cs. CV)؛ گرافیک (cs.
GR) استناد بهعنوان: (یا v1 [cs. CV] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Haimin Luo [مشاهده ایمیل] [v1] شنبه،.
4 آوریل 2026،. 12:.
44:. 08 UTC (27,.
690 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.