Ani3DHuman：基于自引导随机抽样的全景 3D 人体动画
计算机视觉与模式识别
2026-02-24 v1 图形学
机器学习
摘要
当前 3D 人体动画方法难以实现全景现实感：基于运动学的方法缺乏非刚性动力学(例如服装动力学)，而利用视频扩散先验的方法可合成非刚性运动，但 suffer 从质量瑕疵和身份丢失。为克服这些限制，我们提出了 Ani3DHuman 框架，将基于运动学的动画与视频扩散先验融合。我们首先引入分层运动表示，将刚性运动与残余非刚性运动解耦。刚性运动由运动学方法生成，随后产生粗糙渲染以引导视频扩散模型生成恢复残余非刚性运动的视频序列。然而，这一基于扩散抽样的恢复任务极具挑战性，因为初始渲染在分布之外，导致标准确定性 ODE 抽样器失效。因此，我们提出了一种 novel 自引导随机抽样方法，通过结合随机抽样(实现全景质量)和自引导(实现身份保真)有效地解决了分布之外问题。这些恢复视频提供高质量的监督，使残余非刚性运动场的优化成为可能。广泛的实验表明，\MethodName 能够生成全景 3D 人体动画，超越现有方法。代码可在 https://github.com/qiisun/ani3dhuman 查看。
引用
@article{arxiv.2602.19089,
title = {Ani3DHuman: Photorealistic 3D Human Animation with Self-guided Stochastic Sampling},
author = {Qi Sun and Can Wang and Jiaxiang Shang and Yingchun Liu and Jing Liao},
journal= {arXiv preprint arXiv:2602.19089},
year = {2026}
}
备注
CVPR 2026