[论文] FurE: Efficient Instance-Specific 3D Fur Reconstruction without Animal...

论文概要

研究领域: CV
作者: Srinjay Sarkar, Prakhar Kaushik, Soumava Paul, Alan Yuille
发布时间: 2026-09-28
arXiv: 2609.35770

中文摘要

从多视角图像进行逼真且可编辑的动物毛发重建面临诸多挑战：细尺度细节、自遮挡与遮蔽问题，以及与人类头发不同的是，缺乏动物毛发数据集。毛发通常覆盖动物身体的大部分区域，物种间和物种内的差异都很大。我们提出了 FurE——一种高效的基于单根毛丝（strand-based）的动物毛发重建方法，通过优化以毛根为条件的隐式场来恢复可逐丝编辑的毛发造型，该隐式场经由基于 PCA 的解码器解码为毛丝几何。我们利用表面约束的高斯糖霜（Gaussian Frosting）表示中局部毛发厚度线索和基于部位的先验，重建去除毛物的动物身体。我们进一步表明，从人类头发数据学习的基于 PCA 的解码器可以缓解动物数据稀缺问题，同时显著加速优化。FurE 在毛丝训练速度上比当前 SOTA 的稠密逐丝优化方法快 10 倍，同时保持了毛丝保真度，并在合成和真实世界序列上均表现出良好的泛化能力。

原文摘要

Realistic and editable animal fur reconstruction from multi-view images is challenging due to fine-scale detail, self-occlusion and obfuscation, and, unlike human hair, the lack of animal-fur datasets. Fur usually covers most of an animal's body, with large inter-species and intra-species variability. We present FurE, an efficient strand-based animal fur reconstruction method that recovers a per-strand, editable groom by optimizing a root-conditioned latent field, decoded into strand geometry via a PCA-based decoder. We reconstruct a defurred animal body using local fur-thickness cues from a surface-constrained Gaussian Frosting representation together with part-based priors. We further show that a PCA-based decoder learned from human-hair strand data can alleviate animal-data scarcity whi...

自动采集于 2026-09-30

#论文 #arXiv #CV #小凯