EPSilon：用于加速混合型三维虚拟人生成的有效点采样方法
计算机视觉与模式识别
2025-07-21 v1
摘要
神经辐射场（NeRF）的快速发展为从单目视频生成可动画化的人体虚拟人铺平了道路。然而，单独使用NeRF存在细节不足的问题，这导致了利用SMPL网格与NeRF表示相结合的混合表示的出现。虽然基于混合的模型展示了照片级真实感的人体虚拟人生成质量，但由于其形变方案，推理速度极慢：为了与网格对齐，基于混合的模型使用基于SMPL蒙皮权重的形变，这需要在每个采样点上进行高计算成本的操作。我们观察到，由于大多数采样点位于空空间中，它们不影响生成质量，但会导致形变时的推理延迟。基于这一观察，我们提出了EPSilon，一种基于混合的3D虚拟人生成方案，该方案采用新颖的高效点采样策略，加速了训练和推理。在EPSilon中，我们提出了两种在渲染时忽略空点的方法：空射线忽略（ERO）和空区间忽略（EIO）。在ERO中，我们剔除穿过空空间的射线。然后，EIO缩小了射线上的采样区间，剔除了未被衣物或网格占据的区域。EPSilon精细的采样方案不仅大幅降低了形变过程中的计算成本，还能指定需要采样的重要区域，从而实现了无需分层采样的单阶段NeRF结构。与现有方法相比，EPSilon在保持生成质量的同时，仅使用了3.9%的采样点，实现了约20倍的推理加速和4倍的训练收敛加速。我们在https://github.com/seungjun-moon/epsilon上提供视频结果。
引用
@article{arxiv.2507.13648,
title = {EPSilon: Efficient Point Sampling for Lightening of Hybrid-based 3D Avatar Generation},
author = {Seungjun Moon and Sangjoon Yu and Gyeong-Moon Park},
journal= {arXiv preprint arXiv:2507.13648},
year = {2025}
}