乾明 发自 凹非寺
量子位 报道 | 公众号 QbitAI
朱俊彦团队，一口气放出两篇论文的实现代码！
这两篇论文，都与3D图像有关，都被NeurIPS 2018大会收录了。朱俊彦在Twitter上说，是他们团队整合3D图像和深度生成模型工作的一部分。
经过多年深耕，朱俊彦团队所在的MIT计算机科学与AI实验室，已经成了3D图像领域的研究高地。
如果你对这一领域感兴趣，走过路过，千万不要错过。
论文1：用GAN生成逼真的3D图像
这篇论文，题目为《Visual Object Networks: Image Generation with Disentangled 3D Representation》。
提出了一种用GAN生成3D图像的方法，不仅生成的图像效果逼真，还能在3个独立维度上拆分3D物体的元素，改变图像中物体的视角、形状、材质等参数，就能获得你想要的图形。
GitHub上放出的资源非常全面，不仅包含了预训练模型，还给出了训练数据集和详细的实现步骤。
配置环境：基于PyTorch 0.4.1，不支持0.4.0。目前只在Ubuntu 16.04和python 3.6环境中进行了测试，还没有在Nvidia RTX GPU系列产品上进行测试。
传送门
代码地址：
https://github.com/junyanz/VON
论文：
https://arxiv.org/pdf/1812.02725.pdf
论文2：功能强大的3D图像编辑工具
这篇论文，题目为《3D-Aware Scene Manipulation via Inverse Graphics》。
介绍了一种编辑3D图像的技术：3D场景去渲染网络(3D scene de-rendering networks，3D-SDN) ，能够在保持形状和纹理一致的情况下，自由旋转和移动目标对象，也能够在不影响其形状的情况下，改变目标对象的外观。
GitHub上给出的代码资源，同样很丰富，预训练权重、数据集样样俱全，每一步骤要使用的代码也都给了出来。
在配置环境上，要比前一篇论文更加完善。框架同样是PyTorch，不过后缀只写了0.4。Python 3.6+；Linux系统；NVIDIA GPU (内存>8GB)+CUDA 9.0。
传送门
代码地址：
https://github.com/ysymyth/3D-SDN
论文地址：
https://arxiv.org/pdf/1808.09351.pdf
— 完 —
量子位 · QbitAI
վ'ᴗ' ի 追踪AI技术和产品新动态
欢迎大家关注我们，以及订阅我们的知乎专栏
诚挚招聘
量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！
相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。
