SuperGaussian : Réaffectation des modèles vidéo pour la super résolution 3D

Nous présentons une méthode simple, modulaire et générique qui améliore les modèles 3D grossiers en ajoutant des détails géométriques et d'apparence. Bien que des modèles 3D génératifs existent maintenant, ils ne rivalisent pas encore avec la qualité de leurs homologues dans les domaines de l'image et de la vidéo. Nous démontrons qu'il est possible de réaffecter directement des modèles vidéo existants (pré-entraînés) pour la super résolution 3D et ainsi de contourner le problème du manque de grands dépôts de modèles d'entraînement 3D de haute qualité. Nous décrivons comment réaffecter des modèles d'upsampling vidéo, qui ne sont pas compatibles 3D, et les combiner avec une consolidation 3D pour produire des résultats cohérents en 3D. En sortie, nous produisons des modèles high-quality Gaussian Splat, qui sont centrés sur l'objet et efficaces. Notre méthode est indépendante des catégories et peut être facilement incorporée dans des flux de travail 3D existants. Nous évaluons notre SuperGaussian proposé sur une variété d'entrées 3D, qui sont diverses tant en termes de complexité que de représentation (par exemple, Gaussian Splats ou NeRFs), et démontrons que notre méthode simple améliore considérablement la fidélité des modèles 3D finaux. Consultez notre site Web de projet pour plus de détails : supergaussian.github.io