【斯坦福CVPR2022】EG3D:高效的几何感知三维生成对抗网络，EG3D: Efficient Geometry-aware 3D Generative Adversarial Networks

使用单视图2D照片集合，在无监督的情况下生成高质量的多视图一致性图像和3D形状，一直是一个长期存在的挑战。现有的3D GANs要么是计算密集型的，要么是不符合3D的近似;前者限制了生成图像的质量和分辨率，后者对多视图一致性和形状质量产生不利影响。在这项工作中，我们在不过度依赖这些近似的情况下，提高了三维GAN的计算效率和图像质量。为此，我们引入了一种具有表现力的混合显式-隐式网络架构，该架构与其他设计选择一起，不仅可以实时合成高分辨率的多视图一致性图像，还可以生成高质量的3D几何图形。通过解耦特征生成和神经渲染，我们的框架能够利用最先进的2D CNN生成器，如StyleGAN2，并继承它们的效率和表现力。我们演示了最先进的3D感知合成与FFHQ和AFHQ猫，以及其他实验。