TL;DR
- چکیده:.
- بازسازی هندسه مو در سطح یک مشکل اساسی در مدلسازی انسان مجازی و دیجیتالی کردن مدل مو است.
- با این حال،.
چه اتفاقی افتاد
چکیده:. بازسازی هندسه مو در سطح یک مشکل اساسی در مدلسازی انسان مجازی و دیجیتالی کردن مدل مو است.
با این حال،. روشهای موجود هنوز از یک مبادله قابل توجه بین دقت و کارایی رنج میبرند.
نمایشهای عصبی ضمنی میتوانند شکل کلی مو را به تصویر بکشند،. اما اغلب در حفظ جزئیات رشتههای ریز با شکست مواجه میشوند،.
در حالی که رویکردهای مبتنی بر بهینهسازی صریح،. بازسازیهایی با وفاداری بالا را به قیمت محاسبات سنگین و مقیاسپذیری ضعیف انجام میدهند.
برای پرداختن به این موضوع،. ما EfficientMonoHair را پیشنهاد میکنیم،.
یک چارچوب سریع و دقیق که شبکه عصبی ضمنی را با همجوشی هندسی چند نمای برای بازسازی سطح. رشته از ویدئوی تک چشمی ترکیب میکند.
روش ما یک بهینهسازی چند نمای مبتنی بر وصله ترکیبی را معرفی میکند که تعداد تکرارهای بهینهسازی را. برای جهت ابر نقطهای کاهش میدهد و همچنین استراتژی موازی موازی جدید که محدودیتهای اشغال وکسل را کاهش.
میدهد و به ردیابی رشتههای در مقیاس بزرگ اجازه میدهد حتی در زمینههای جهت گیری نادرست یا پر. سر و صدا پایدار و قوی باقی بماند.
آزمایشهای گسترده روی مدلهای موی واقعی نشان میدهد که روش ما میتواند هندسههای رشتهای با وفاداری بالا را. با دقت بازسازی کند.
در معیارهای مصنوعی،. روش ما به کیفیت بازسازی قابل مقایسه با روشهای پیشرفته دست مییابد،.
در حالی که کارایی زمان اجرا را تقریباً یک مرتبه بهبود میبخشد. صفحه، 6 شکل، کنفرانس 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:.
Da Li [مشاهده ایمیل] [v1] سه شنبه،. 7 آوریل 2026،.
12:. 30:.
19 UTC (28,. 453 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.