{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,9,19]]，“日期-时间”：“2024-09-19T16:30:02Z”，“时间戳”：1726763402255}，“引用-计数”：95，“出版商”：“Springer Science and Business Media LLC”，“问题”：“8”，“许可证”：[{“开始”：{-date-parts“：[2023,5,28]]，”日期-时间“：“2023-05-28T00:00:00Z”，“timestamp”：1685232000000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0”}，{“start”：{“date-parts”：[[2023,5,28]]，“date-time”：“2023-05-28T00:00:00Z”，“timetamp”：685232000000neneneep，“content-version”：“vor”，“delay-in-days”：“0，”URL“https:\\/creative commons.org\/licenses\/by\/4.0“}]，“出资人”：[{“DOI”：“10.13039\/501000001775”，“name”：“悉尼理工大学”，“doi-asserted-by”：“crossref”，“id”：[{“id”:“10.13029\/5010001775”、“id-type”：“doi”，“asserted-by”：“crassref”}]}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[“Int J Compute-Vis”]，”published-pre Int“：{“日期部分”：[[2023,8]]}，“摘要”：“摘要<\/jats:title>本文研究了用于单目标和多目标场景的合成3D-ware图像合成。我们观察到，该领域仍然存在两个挑战：现有的方法（1）缺乏几何约束，从而影响单个对象的多视图一致性，以及（2）无法扩展到具有复杂背景的多对象场景。为了一致地解决这些挑战，我们提出了用于合成3D软件图像合成的多视图一致生成对抗网络（MVCGAN）。首先，我们利用底层的3D信息在单个对象上构建几何约束。具体来说，我们加强了视图对之间的光度一致性，鼓励模型学习固有的3D形状。其次，我们将MVCGAN应用于多对象场景。特别是，我们将多对象场景生成表示为一个\u201d分解和合成\u201c过程。在训练过程中，我们采用自顶向下的策略将训练图像分解为对象和背景。渲染时，通过将生成的对象和背景合成到整体场景中，我们部署了一种反向自下而上的方式。在单目标和多目标数据集上的大量实验表明，该方法在三维软件图像合成中取得了具有竞争力的性能<\/jats:p>“，”DOI“：”10.1007\/s11263-023-01805-x“，”type“：”journal-article“，”created“：{”date-parts“：[[2023,5,28]]，”date-time“：”2023-05-28T06:01:52Z“，”timestamp“：1685253712000}，”page“：nced-by-count“：2，”标题“：[”用于合成3D-软件图像合成的多视图一致生成对抗网络“]，”前缀“：”10.1007“，”卷“：”131“，“作者”：[{“ORCID”：“http://\/ORCID.org\/0000-0002-6939-4074”，“authenticated-ORCID”：false，“given”：”玄蒙“，”family“：”Zhang“，”sequence“：”first“，”affiliation“：[]}，{“givent”：“浙东”，“family”：“Zheng”，“sequence”：“”附加“，”从属“：[]}，{“给定”：“大恒”，“家族”：“高”，“序列”：“附加”，“从属”：[]{，{”给定“：”邦“，”家族“：”张“，”序列“：”附加“，“从属关系”：[]}，}“给定“：从属关系“：[]}]，”成员“：”297“，”在线发布“：{“date-parts”：[[2023,5,28]]}，“reference”：[{“key”：“1805_CR1”，“unstructured”：“（2021）动态单目视频的动态视图合成。在ICCV（第5712\u20135721页）中。”}，{“key”：”1805_CR2“，“unsructured“：”Alhaija，HA，Mustikovela，S.K.，Geiger，A.，&Rother，C.（2018）。几何图像合成。在ACCV中（第85\u2013100页）。“}，”key“：”1805_CR3“，”doi-asserted-by“：”crossref“，”unstructured“：”Andrew，A.M.（2001）。计算机视觉中的多视图几何。凯伯内特斯。“，”DOI“：”10.1108\/k.2001.30.9_10.1333.2“}，{”key“：”1805_CR4“，”DOI-asserted-by“：”crossref“，”unstructured“：”Anokhin，I.，Demochkin，k.，Khakhulin，T.，Sterkin，G.，Lempitsky，V.，&Korzhenkov，D.（2021）条件相关像素合成的图像生成器。CVPR（pp.14278\u201314287）。“，”DOI“：“10.1109\/CVPR467.2021.01405”}，}“密钥”：“1805_CR5“，“非结构化”：“Brock，A.，Donahue，J.，&Simonyan，K.（2018）。用于高保真自然图像合成的大规模gan训练。在ICLR中。“}，{”key“：”1805_CR6“，”unstructured“：”Burgess，C.，&Kim，H.（2018）3d shapes dataset“。}，”key”：“1805_CR 7”，“doi-asserted-by”：“crossref”，“unstructure”：“Chan，E.R.，Lin，C.Z.，Chan，M.A.，Nagano，K.，Pan，B.，De\u00a0Mello，S.，Gallo，O.，Guibas，L.J.，Tremblay，J.，Khamis.S，et\u00a 0al.（2022）高效的几何感知三维生成对抗性网络。CVPR（第16123\u201316133页）。“，”DOI“：”10.1109\/CVPR52688.2022.01565“}，{”key“：”1805_CR8“，”DOI-asserted-by“：”crossref“，”unstructured“：”Chan，E.R.，Monteiro，M.，Kellnhofer，P.，Wu，J.，&Wetzstein，G.（2021）。pi-gan：三维感知图像合成的周期性隐式生成对抗性网络。CVPR（第5799\u20135809页）。“：”1805_CR9“，“非结构化”：“Chang，A.X.，Funkhouser，T.，Guibas，L.，Hanrahan，P.，Huang，Q.，Li，Z.，Savarese，S.，Savva，M.，Song，S.、Su，H.et \u00a0al。(2015). Shapenet：一个信息丰富的三维模型库。arXiv:1512.03012“}，{“key”：“1805_CR10”，“doi-asserted-by”：“crossref”，“unstructured”：“Chen，A.，Xu，Z.，Zhao doi-asserted-by“：”crossref”，“非结构化”：“Chen，S.E.，&Williams，L.（1993）。用于图像合成的视图插值。在计算机图形和交互技术会议上。“，”DOI“：”10.1145\/166117.166153“}，{“key”：“1805_CR12”，“DOI-asserted-by”：“crossref”，“unstructured”：“Chibane，J.，Bansal，A.，Lazova，V.，&Pons-Moll，G.（2021）。立体辐射场（srf）：学习新场景稀疏视图的视图合成。CVPR（第7911\u20137920页）。”，“DOI”：“10.1109\/CVPR46437.2021.00782”}，“{”key“：”1805_C R13英寸doi-asserted-by“：”crossref“，”unstructured“：”Choi，Y.，Choi。，Kim，S.和Choo，J.（2018）。Stargan：用于多域图像到图像转换的统一生成对抗网络。CVPR（第8789\u20138797页）。“，”DOI“：”10.1109\/CVPR.2018.00916“}，{“key”：“1805_CR14”，“DOI-asserted-by”：“crossref”，“unstructured”：“Choi，Y.，Uh，Y.、Yoo，J.，&Ha，J.W.（2020）。Stargan v2:多域的多样图像合成。CVPR（第8188\u20138197页）。”，“DOI”：“10.1109\/CVPR42600.2020.00821”}，“{”key“：”1805_CR15“，”DOI-assert-b“Y“：”crossref“，”unstructured“：”Collins，R。T.（1996）。一种真正的多图像匹配的空间扫描方法。CVPR（第358\u2013363页）。“，”DOI“：”10.1109\/CVPR.1996.517097“｝，｛”key“：”1805_CR16“，”DOI由“：”crossref“断言，”非结构化“：”Debevec，P.E.，Taylor，C.J.，&Malik，J.（1996）。从照片中建模和渲染架构：一种混合几何和基于图像的方法。在计算机图形学和交互技术会议上（pp.11\u201320）。“，”DOI“：”10.1145\/237170.237191“}，{“key”：“1805_CR17”，“doi-asserted-by”：“crossref”，“unstructured”：“Deng，J.，Guo，J.、Xue，N.和Zafeiriou，S.（2019）。Arcface：深度人脸识别的附加角余量损失。收录于CVPR（第4690\u20134699页）。”，“doi”：“10.1109\/CVPR.2019.00482”}，“key“：”1805_CR18“，”doi-assert-by“：”crossref.“非结构化”：“”Deng，K.、Liua，A.、Zhu，J.Y.和Ramanan，D.（2022a）。深度监督的神经衰弱：更少的浏览量和更快的免费训练。CVPR（第12882页\u201312891页）。“，”DOI“：”10.1109\/CVPR52688.2022.01254“}，{”key“：”1805_CR19“，”DOI-asserted-by“：”crossref“，”unstructured“：”Deng，Y.，Yang，J.，Chen，D.，Wen，F.，&Tong，X.（2020）。通过三维模拟控制学习生成不纠缠且可控的人脸图像。在CVPR（pp.5154\u20135163）中。，“doi-asserted-by“：”crossref“，”unstructured“：”Deng，Y.，Yang，J.，X.，X.（2022b）。Gram：用于生成三维感知图像的生成辐射流形。CVPR（第10673\u201310683页）。“，”DOI“：”10.1109\/CVPR52688.2022.01041“}，{“key”：“1805_CR21”，“DOI-asserted-by”：“crossref”，“unstructured”：“DeVries，T.，Bautista，M.A.，Srivastava，N.，Taylor，G.W.，&Susskind，J.M.（2021）。局部条件辐射场的无约束场景生成。在ICCV（第14304\u201314313页）中。”，“DOI”：“10.1109\/ICCV48922.2021.01404”}，“{”key“：“”1805_CR22“，“非结构化”：“Dumoulin，V.，Shlens，J.，&Kudlur，M.（2020）。艺术风格的博学表现。“}，{”issue“：”4“，”key“：”1805_CR23“，”doi-asserted-by“：”publisher“，”first-page“：”1“，”doi“：”10.1145\/3450626.3459936“，”volume“：“40”，“author”：“Y Feng”，“year”：“2021”，“unstructured”：“Feng，Y.，Feng，H.，Black，M.J.，&Bolkart，T.（2021）。从野生图像中学习可动画化的详细三维人脸模型。ACM图形事务（TOG），40（4），1\u201313.“，”journal-title“：”ACM Transactions on Graphics（TOG）“}，{“key”：“1805_CR24”，“doi-asserted-by”：“crossref”，“unstructured”：“Garbin，S.J.，Kowalski，M.，Johnson，M.、Shotton，J.和Valentin，J.（2021）。Fastnerf：200fps下的高精度神经呈现。在ICCV（第14346\u201314355页）中。”，“doi”：“10.1109”，ICCV48922.2021.01408“}”，{键“：”1805_CR25“，“非结构化”：“Girdhar，R.和Ramanan，D.（2019）。Cater：用于合成动作和时间推理的诊断数据集。在ICLR中。“}，{”key“：”1805_CR26“，”doi-asserted-by“：”crossref“，”unstructured“：”Godard，C.，Mac\u00a0Aodha，O.，Firman，M.，&Brostow，G.J.（2019）。挖掘自监督单目深度估计。在ICCV.中，“doi”：“10.1109\/ICCV.2019.00393”}，“issue”：“11”，“key”：“1805_CR2”，“doi-assert-by”：“publisher”，“first page”：”139“，“doi”：“10.1145\/3422622”，“卷：“63”，“作者”：“我是古德费罗”，“年份”：“2020年”，“非结构化”：“古德费勒，I.，Pouget-Abadie，J.，Mirza，M.，Xu，B.，Warde-Farley，D.，Ozair，S.，Courville，A.，&Bengio，Y.（2020）。生成性对抗网络。《ACM的通信》，63（11），139\u2013144。“，“journal-title”：“ACM的通讯”}，{“key”：“1805_CR28”，“unstructured”：“Gu，J.，Liu，L.，Wang，P.，&Theobalt，C.（2022）。Stylenerf：用于高分辨率图像合成的基于样式的3d感知生成器。在ICLR中Henderson，P.、Tsiminaki，V.和Lampert，C.H.（2020）。利用二维数据学习纹理三维网格生成。CVPR（第7498\u20137507页）。“，”DOI“：”10.1109\/CVPR42600.2020.00752“}，{”key“：”1805_CR30“，”unstructured“：”Heusel，M.，Ramsauer，H.，Unterthiner，T.，Nessler，B.，&Hochreiter，S.（2017）。通过双时间尺度更新规则训练的Gans收敛到局部nash均衡。神经信息处理系统进展，30“}非结构化”：“Huang，X.，&Belongie，S.（2017）。具有自适应实例规范化的实时任意样式传输。ICCV（第1501\u20131510页）。“，”DOI“：”10.1109\/ICCV.2017.167“}，{“key”：“1805_CR32”，“DOI-asserted-by”：“crossref”，“unstructured”：“Jeong，Y.，Ahn，S.，Choy，C.，Anandkumar，A.，Cho，M.，&Park，J.（2021）自校准神经辐射场。在ICCV中（第5846\u20135854页）。”，“DOI”：“10.1109\/ICCV48922.2021.00579”}，“{”key“：”1805_CR13“，“DOI-asserted-by”：“crossref”，“非结构化”：“Johnson，J.、Hariharan，B.、Van Der \u00a0Maaten，L.、Fei-Fei，L.，Lawrence \u00a 0Zitnick，C.和Girshick，R.（2017）Clevr:合成语言和基本视觉推理的诊断数据集。CVPR（第2901页\u20132910页）。“，”DOI“：”10.1109\/CVPR.2017.215“}，{”key“：”1805_CR34“，”unstructured“：”Kabra，R.，Burgess，C.，Matthey，L.，Kaufman，R.L.，Greff，K.，Reynolds，M.，&Lerchner，A.（2019）.多对象数据集。“}”，{“key”：“1805_CR 35”，“unstructure”：“Karras，T.，Aila，T.、Laine，S.，&Lahtinen，J.（2018）逐渐生长的gans提高了质量、稳定性和变异性。在ICLR中。“}，{”key“：”1805_CR36“，”unstructured“：”Karras，T.、Aittala，M.、Laine，S.、H\u00e4rk\u00f6nen，E.、Hellsten，J.、Lehtinen，J.，Aila，T.（2021）。无别名生成对抗网络。在NeurIPS中。用于生成性对抗网络的基于样式的生成器体系结构。CVPR（第4401\u20134410页）。“，”DOI“：”10.1109\/CVPR.2019.00453“}，{“key”：“1805_CR38”，“DOI-asserted-by”：“crossref”，“unstructured”：“Karras，T.，Laine，S.，Aittala，M.，Hellsten，J.，Lehtinen，J.和Aila，T.（2020）。分析和改善样式的图像质量。CVPR（第8110\u20138119页）。”，“DOI”：“10.1109\/CVPR42600.2020.00813”}，“{”key“：”1805 _CR39“，”非结构化“：”Kingma，D.P.，&Ba，J.（2015）《亚当：随机优化方法》。在ICLR中。“}，{”key“：”1805_CR40“，”unstructured“：”Li，T.，Slavcheva，M.，Zollhoefer，M.、Green，S.、Lassner，C.、Kim，C.、Schmidt，T，Lovegrove，S.，Goesel，M.和Lv，Z.（2021a Wang，O.（2021b）用于动态场景的时空视图合成的神经场景流场。《IEEE计算机视觉和模式识别会议论文集》（第6498页）。“，”DOI“：”10.1109\/CVPR46437.2021.00643“}，{”key“：”1805_CR42“，”DOI-asserted-by“：”crossref“，”unstructured“：”Liao，Y.，Schwarz，K.，Mescheder，L.，&Geiger，A.（2020）。面向三维可控图像合成生成模型的无监督学习。CVPR（pp.5871\u20135880）。“，”DOI“：，“doi-asserted-by“：”crossref“，”unstructured“：”Lin，C.H.，Ma，W.C.，Torralba，A.，Lucey，S.（2021）。Barf：束调整神经辐射场。ICCV（第5741\u20135751页）。“，”DOI“：”10.1109\/ICCV48922.2021.00569“}，{”key“：”1805_CR44“，”unstructured“：”Lin，C.Z.，Lindell，D.B.，Chan，E.R.，&Wetzstein，G.（2022）.可控肖像图像动画的三维gan反转.arXiv:2203.13441“}”，{“key”：“1805_CR 45”，“DOI-asserted-by”：“crossref”，“unstructure”：“Lindell、D.B.，Martel，J.N.，&wetzsten，G.”（2021）。Autoint：用于快速神经体积绘制的自动集成。CVPR（第14556\u201314565页）。“，”DOI“：”10.1109\/CVPR46437.2021.01432“}，{”key“：”1805_CR46“，”DOI-asserted-by“：”crossref“，”unstructured“：”Liu，Y.，Peng，S.，Liu，L.，Wang，Q.，Wang：“4”，“键”：1805_CR47“，”doi-asserted-by“：”publisher“，”first page“：”163“，“doi”：“10.1145\/37402.37422”，“volume”：“21”，“author”：“WE Lorensen”，“year”：“1987”，“unstructured”：“洛伦森，W.E.，&Cline，H.E.（1987）。行进立方体：一种高分辨率三维曲面构造算法。ACM Siggraph Computer Graphics，21（4），163\u2013169.“，“journal-title”：“ACM Sig graph Computer Graphics”}，{“key”：“1805_CR48”，“doi-asserted-by”：“crossref”，“unstructured”：“Lyu，X.，Liu，L.，Wang，M.，Kong，X10.1609 \/aaai.v35i3.16329“}，{“key”：“1805_CR49”，“unstructured”：“Matthey，L.，Higgins，I.，Hassabis，D.，&Lerchner，A.（2017）。dsprites:解纠缠测试sprites数据集。”}，“key“：”1805_CR50“，“doi-asserted-by”：“crossref”，“非结构化”：“Meng，Q.，Chen，A.，Luo，H.，Wu，M.，Su，HGnerf:基于Gan的神经辐射场，无需摆拍相机。ICCV（第6351页\u20136361页）。“，”DOI“：”10.1109\/ICCV48922.2021.00629“}，{”key“：”1805_CR51“，”unstructured“：”Mescheder，L.，Geiger，A.，&Nowozin，S.（2018）。针对组织的哪些训练方法实际上是收敛的？在ICML（pp.3481\u20133490）中。“}”，{“key”：“1805_CR52”，“DOI-asserted-by”：“crossref”，“unstructure”：“Mildenhall，B.，Srinivasan，P.，Tancik，M.，Barron，J。T.、Ramamorthi，R.和Ng，R.（2020）。Nerf：将场景表示为用于视图合成的神经辐射场。ECCV（第405\u2013421页）。斯普林格。“，”DOI“：”10.1007\/978-3-030-58452-8_24“}，{”issue“：”5“，”key“：”1805_CR53“，”DOI-asserted-by“：”publisher“，”first page“：“1147”，”DOI:“10.1109\/TRO.2015.2463671”，“volume”：“31”，“author”：“R Mur-Artal”，“year”：“2015”，“unstructured”：“Mur-Artall，R.，Montiel，J.M.，&Tardos，J.D.（2015）Orb slam：一种多功能、精确的单眼猛击系统。IEEE Transactions on Robotics，31（5），1147\u20131163。“，“journal-title”：“IEEE Translations on Robotic”}，{“key”：“1805_CR54”，“doi-asserted-by”：“crossref”，“unstructured”：“Nguyen-Phuoc，T.，Li，C.，Theis，L.，Richardt，C.和Yang，Y.L.（2019）。Hologan：无监督学习自然图像的三维表示。CVPR（第7588\u20137597页）。”，“DOI“：”10.1109\/ICCV.2019.00768“}，{“key”：“1805_CR55”，“首页”：“6767”，“卷”：“33”，“作者”：“TH Nguyen-Phuoc”，“年份”：“2020”，“非结构化”：“Nguyen-Phuoc，T.H.，Richardt，C.，Mai，L.，Yang，Y.，&Mitra，N.（2020）Blockgan：从未标记的图像学习三维对象软件场景表示。神经信息处理系统进展，33，6767\u20136778。”，“日记标题”：“神经信息处理体系进展”}，{“key”：“1805_CR56”，“doi-asserted-by”：“crossref”，“unstructured”：“Niemeyer，M.，&Geiger，A.（2021）。长颈鹿：将场景表示为合成生成的神经特征场。CVPR（第11453\u201311464页）.“，”DOI“：”10.1109\/CVPR46437.2021.01129“}，{“key”：“1805_CR57”，“DOI-asserted-by”：“crossref”，“unstructured”：“Or-El R.，Luo，X.，Shan，M.，Shechtman，E.，Park，J.J.，&Kemelmacher-Shlizerman，I.（2022）。Stylesdf：高分辨率3d一致图像和几何生成。CVPR（第13503\u201313513页）。”，“DOI”：“10.1109\/CVPR52688.2022.01314”}，{“key“：”1805_CR58“，”unstructured“：”Pan，X，Xu，X，Loy，C.C.，Theobalt，C.，&Dai，B.（2021）。一种阴影引导的生成隐式模型，用于形状精确的三维感知图像合成。在NeurIPS中。“}，{”key“：”1805_CR59“，”doi-asserted-by“：”crossref“，”unstructured“：”Peng，S.，Zhang，Y.，Xu，Y.、Wang，Q.，Shuai，Q.、Bao，H.和Zhou，X.（2021）。神经体：用结构化潜在代码的隐式神经表征用于动态人类的新视点合成。CVPR（第9054\u20139063页）。“，”doi“：”10.1109\/CVPR46437.2021.00894“}”，{“key”：“”1805_CR60“，”doi-asserted-by“：”crossref“，”unstructured“：”Pillai，S.，Ambru\u015f，R.，&Gaidon，A.（2019）。超深度：自监督、超分辨率单目深度估计。ICRA（第9250\u20139256页）。“，”DOI“：”10.1109\/ICRA.2019.8793621“}，{“key”：“1805_CR61”，“DOI-asserted-by”：“crossref”，“unstructured”：“Rebain，D.，Jiang，W.，Yazdani，S.，Li，K.，Yi，K.M.，&Tagliasacci，A.（2021）。Derf：分解辐射场。CVPR（第14153\u201314161页）。”，“DOI”：“10.1109\/CVPR46437.2021.01393”}，5_CR62“，”DOI-asserted-by“：”crossref“，”非结构化”：“Reiser，C.、Peng，S.、Liao，Y.和Geiger，A.（2021）。基洛内夫：用数千微升/秒加速神经辐射场。《IEEE计算机视觉国际会议论文集》（第14335\u201314345页）。“，”DOI“：”10.1109\/ICCV48922.2021.01407“}，{”key“：”1805_CR63“，”DOI-asserted-by“：”crossref“，”unstructured“：”Schonberger，J.L.，&Frahm，J.M.（2016）。重新审视结构-形式-运动。见CVPR（第4104\u20134113页）。，“作者”：“K Schwarz”，“年份”：“2020年”，“非结构化”：“Schwarz，K.、Liao，Y.、Niemeyer，M.和Geiger，A.（2020）。Graf：用于三维感知图像合成的生成辐射场。神经信息处理系统进展，3320154\u201320166。”，“日记标题”：“神经信息处理体系进展”}，{“key”：“1805_CR65”，“unstructured”：“Schwarz，K.，Sauer，A.，Niemeyer，M.，Liao，Y.，&Geiger，A.（2022）。Voxgraf：稀疏体素网格的快速3d感知图像合成。在NeurIPS中。”}doi-asserted-by“：”crossref“，”unstructured“：”Seitz，S.M.，&Dyer，C.R.（1996）。查看变形。在计算机图形和交互技术会议上（第21页\u201330）。“，”DOI“：”10.1145\/237170.237196“}，{”key“：”1805_CR67“，”首页“：”7462“，”卷“：”33“，”author“：”V Sitzmann“，”year“：”2020“，”unstructured“：”Sitzman，V.，Martel，J.，Bergman，A.，Lindell，D.，&Wetzstein，G.（2020）具有周期激活函数的隐式神经表示。神经信息处理系统进展，33，7462\u20137473。”，“新闻标题”：“神经信息处理体系进展”}，{“key”：“1805_CR68”，“unstructured”：“Skorokhodov，I.，Tulyakov，S.，Wang，Y.，&Wonka，P.（2022）。Epigraf:三维组织的反思训练。在NeurIPS中。”}publisher，“首页”：“45”，“DOI”：“10.1023\/A:1008192912624”，“卷”：“32”，“作者”：“R Szeliski”，“年份”：“1999”，“非结构化”：“Szelisbi，R.，&Golland，P.（1999）。立体匹配与透明度和消光。国际计算机视觉杂志，32（1），45\u201361.“，”Journal-title“：”International Journal of Computer Vision“}，{”issue“：”1“，”key“：”1805_CR70“，”doi-asserted-by“：”publisher“，”first-page“：”23“，”doi“：”10.1080\/108651.2004.10487596“，”volume“：“9”，”author“：”A Telea“，”year“：”2004“，”unstructured“：”Telea，A.（2004）一种基于快速行进法的图像修复技术。《图形工具杂志》，9（1），23\u201334.“，”Journal-title“：”Journal of Graphics Tools“}，{“key”：“1805_CR71”，“doi-asserted-by”：“crossref”，“unstructured”：“Trevithick，A.，&Yang，B.（2021）。Grf：学习用于三维场景表示和渲染的一般辐射场。In ICCV（pp.15182\u201315192）。”，“doi”：“10.1109\/ICCV48922.2021.01490”}，}“key“：”1805_CR72“，”unstructured“：”Wang，Y.，Tao，X.，Qi，X.、Shen，X.和Jia，J.（2018）。基于生成多列卷积神经网络的图像修复。神经信息处理系统进展，31.“}，{”issue“：“4”，”key“：“1805_CR73”，”doi-asserted-by“：”publisher“，”first page“：”600“，”doi“：”10.1109\/TIP.2003.819861“，”volume“：‘13’，”author“：”Z Wang“，”year“：”2004“，”unstructured“：”Wang，Z.，Bovik，A.C.，Sheikh，H.R.，&Simoncelli，E.P.（2004）图像质量评估：从错误可见性到结构相似性。IEEE Transactions on Image Processing，13（4），600\u2013612.“，“journal-title”：“IEEE Transessions on Image Process”}，{“key”：“1805_CR74”，“unstructured”：“Wang，Z.，Wu，S.，Xie，W.，Chen，M.，&Prisacariu，V.A.（2021）。NeRF：没有已知相机参数的神经辐射场。arXiv:21022.07064”}、{“key”：”1805_CR 75“，”doi-asserted-by“：”crossref“，”非结构化”：“Wei，Y.、Liu，S.、Rao，Y.，Zhao，W.、Lu，J.和Zhou，J.（2021）。Nerfingmvs：用于室内多视图立体声的神经辐射场的引导优化。ICCV（第5610\u20135619页）。“，”DOI“：”10.1109\/ICCV48922.2021.00556“}，{”key“：”1805_CR76“，”unstructured“：”Wu，Y.，Deng，Y.、Yang，J.，Wei，F.，Chen，Q.，&Tong，X.（2022）。Anifesegan：视频头像的可动画三维人脸图像生成。在NeurIPS中。“}C.（2021年）。自由视点视频的时空神经辐照度场。CVPR（第9421页\u20139431页）。“，”DOI“：”10.1109\/CVPR46437.2021.00930“}，{”key“：”1805_CR78“，”unstructured“：”Xiang，J.，Yang“”Xu，X.，Pan，X.、Lin，D.和Dai，B.（2021）。三维表面感知图像合成的生成占用字段。《神经信息处理系统进展》，34，20683\u201320695。“，“journal-title”：“神经信息处理体系进展”}，{“key”：“1805_CR80”，“doi-asserted-by”：“crossref”，“unstructured”：“Xu，Y.，Peng，S.，Yang，C.，Shen，Y.和Zhou，B.（2022）.通过学习结构和纹理表示进行三维感知图像合成。CVPR（第18430\u201318439页）。“，”DOI“：”10.1109\/CVPR5688.202.01788“｝，｛”key“：”1805_CR81“，”DOI断言者“：”crossref“，”非结构化“：”Yao，Y.，Luo，Z.，Li，S.，Fang，T.，&Quan，L.（2018）。Mvsnet：非结构化多视图立体的深度推断。在ECCV中（pp.767\u2013783）。“，”DOI“：”10.1007\/978-3-030-01237-3_47“｝，｛”key“：”1805_CR82“，”DOI断言者“：”crossref“，”非结构化”：“Yen-Chen，L.、Florence，P.、Barron，J.T.、Rodriguez，A.、Isola，P.和Lin，T.Y.（2021）。inerf：反转神经辐射场以进行姿势估计。IROS（第1323\u20131330页）。“，”DOI“：”10.1109\/IROS51168.2021.9636708“}，{”key“：”1805_CR83“，”DOI-asserted-by“：”crossref“，”unstructured“：”Yu，A.，Fridovich-Keil，S.，Tancik，M.，Chen，Q.，Recht，B.，&Kanazawa，A.（2022a）。Plenoxels:无神经网络的辐射场。CVPR（pp.5501\u20135510）。“，”DOI“：“10.1109\/CVPR52688.2022.00542”}，“密钥”：“1805_CR84”，“doi-asserted-by“：”crossref“，”unstructured“：”Yu，A.，Li，R.，Tancik，M.、Li，H.，Ng，R.、Kanazawa，A.（2021a）。用于实时渲染神经辐射场的多叉树。在ICCV中（第5752\u20135761页）。“，”DOI“：”10.1109\/ICCV48922.2021.00570“}，{”key“：”1805_CR85“，”DOI-asserted-by“：”crossref“，”unstructured“：”Yu，A.，Ye，V.，Tancik，M.，&Kanazawa，A.（2021b）.pixelnerf:一幅或几幅图像的神经辐射场.在CVPR（第4578\u20134587页）.“，”DOI“：“非结构化”：“Yu，H.X.，Guibas，L。J.、Wu、J.（2022b）。未经监督的对象辐射场发现。“}，{”key“：”1805_CR87“，”unstructured“：”Zhang，H.，Cisse，M.，Dauphin，Y.N.，&Lopez-Paz，D.（2018）。mixup：超越经验风险最小化。在ICLR中doi-asserted-by“：”crossref“，”unstructured“：”Zhang，X.，Zheng，Z.，Gao，D.，Zhang and B.，Pan，P.，&Yang，Y.（2022）。用于三维感知图像合成的多视点一致生成对抗网络。CVPR（第18450\u201318459页）。“，”DOI“：”10.1109\/CVPR52688.2022.01790“}，{”issue“：”1“，”key“：”1805_CR90“，”DOI-asserted-by“：”publisher“，”first page“：“47”，”DOI:“10.1109\/TCI.2016.2644865”，“volume”：“3”，”author“：”H Zhao“，”year“：”2016“，”unstructured“：”Zhao，H.，Gallo，O.，Frosio，I.，&Kautz，J.（2016）.神经网络图像恢复的损失函数。IEEE计算成像学报，3（1），47\u201357.”，“期刊标题”：“IEEE计算图像学报”}，{“key”：“1805_CR91”，“doi-asserted-by”：“crossref”，“unstructured”：“郑，Z.，Yang，X.，Yu，Z.、郑，L.，Yang、Y.，&Kautz，J.（2019）联合辨别性和生成性学习用于人的重新识别。CVPR（第2138页\u20132147页）。“，”DOI“：”10.1109\/CVPR.2019.00224“}，{“key”：“1805_CR92”，“unstructured”：“Zhou，P.，Xie，L.，Ni，B.，&Tian，Q.（2021）。Cips-3d：基于条件相关像素合成的3d感知gan生成器。arXiv:2110.09788”}，“key“：”1805_CR193“，”DOI-asserted-by“：”crossref“，”unstructure“：”Zhow，T.，Brown，M.，Snavely，N.，&Lowe，D.G.（2017）无监督学习视频中的深度和自我意识。CVPR（第1851页\u20131858页）。“，”DOI“：”10.1109\/CVPR.2017.700“}，{“key”：“1805_CR94”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhu，J.Y.，Park，T.，Isola，P.，&Efros，A.A.（2017）。使用循环一致的对抗网络进行未配对的图像到图像转换。在ICCV（pp.2223\u20132232）中。”，“DOI”：“10.1109\/ICCV.2017.244”}，“key“：”1805_CR 95“，“unstrained”：“朱，J。Y.，Zhang，C.，Wu，J.，Torralba，A.，Tenenbaum，J.和Freeman，B.（2018）。视觉对象网络：使用分离的三维表示生成图像。神经信息处理系统进展，31.“}]，“容器-时间”：[“国际计算机视觉杂志”]，“原始标题”：[]，“语言”：“en”，“链接”：[{“URL”：“https:\/\/link.springer.com/content\/pdf\/10.1007\/s11263-023-01805-x.pdf”，“内容类型”：“application\/pdf”，“content-version”：“vor”，“intended-application”：“text-mining”}，{URL”：“https://link.springer.com\/article\/10.1007\/s11263-023-01805-x\/fulltext.html”，“内容类型”：“text\/html”，“内容版本”：“vor”，“预期应用程序”：“文本挖掘”}，｛“URL”：“https://link.springer.com\/content/pdf\/10.1007\/s11263-023-01805-x.pdf”，“内容类型”：“应用程序\/pdf”，“内容版本”：“vor”，“预期应用程序”：“相似性检查“}”，“存放”：{“日期-部分”：[[2023,7,17]]，“日期-时间”：“2023-07-17T07:15:17Z”，“时间戳”：1689578117000}，“分数”：1，“资源”：{“主要”:{“URL”：“https:\\/link.springer.com\/10.1007\/s11263-023-01805-x”}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期-部分“：[2023,5,28]]}，“references-count”：95，“journal-issue”：{“issue”：“8”，“published-print“：{“date-parts”：[[2023,8]]}}，“alternative-id”：[“1805”]，“URL”：“http://\/dx.doi.org\/10.1007\/s11263-023-01805-x”，“relation”：{}，”ISSN“：[“0920-5691”，“1573-1405”]、“ISSN-type”：[{“value”：“0920-591”，“type”:“print”}，{“value”：“1573-140.5”，“类型”：“”电子“}]，”主题“：[]，”发布“：{”日期部分“：[[2023,5,28]]}，”断言“：[{”值“：”2022年9月10日“，”订单“：1，”名称“：”收到“，”标签“：”接收“，”组“：：“首次联机”，“组”：{“name“：”ArticleHistory“，”label“：”文章历史“}}]}}