Klassen-kontinuierliches bedingtes generatives neuronales Strahlungsfeld

Die 3D-bewusste Bildsynthese konzentriert sich darauf, die räumliche Konsistenz zu bewahren, neben der Erzeugung hochaufgelöster Bilder mit feinen Details. Kürzlich wurde das neuronale Strahlungsmodell (NeRF) vorgestellt, um neue Ansichten mit geringem Rechenaufwand und überlegener Leistung zu synthetisieren. Obwohl mehrere Arbeiten ein generatives NeRF untersuchen und bemerkenswerte Erfolge erzielen, können sie keine bedingte und kontinuierliche Merkmalsmanipulation im Generierungsprozess verarbeiten. In dieser Arbeit stellen wir ein neues Modell vor, das als Klassen-kontinuierliches bedingtes generatives NeRF ($\text{C}^{3}$G-NeRF) bezeichnet wird. Dieses Modell kann durch Projektion von bedingten Merkmalen auf den Generator und den Diskriminator bedingt manipulierte fotorealistische 3D-konsistente Bilder synthetisieren. Das vorgeschlagene $\text{C}^{3}$G-NeRF wurde anhand dreier Bild-Datensätze, AFHQ, CelebA und Cars, evaluiert. Das Ergebnis zeigt, dass unser Modell eine starke 3D-Konsistenz mit feinen Details und einer glatten Interpolation bei der bedingten Merkmalsmanipulation aufweist. Zum Beispiel erreicht $\text{C}^{3}$G-NeRF bei der 3D-bewussten Gesichtsbildsynthese mit einer Auflösung von $\text{128}^{2}$ einen Fréchet-Inception-Distanzwert (FID) von 7,64. Zudem liefern wir FID-Werte für die generierten 3D-bewussten Bilder jeder Klasse der Datensätze, da es möglich ist, klassenbedingte Bilder mit $\text{C}^{3}$G-NeRF zu synthetisieren.