ExpPortrait：基于个性化表示生成表现力丰富的肖像
计算机视觉与模式识别
2026-03-26 v2 图形学
摘要
虽然扩散模型在肖像生成方面显示出巨大的潜力，但生成具备表现力、连贯性和可控性的电影级肖像视频仍是一个重大挑战。现有肖像生成的中间信号，如 2D landmarks 和参数化模型，具有的解耦能力有限，无法表达个性化细节 due to 其稀疏或低秩表示。因此，基于这些模型的方法在准确保留主题身份和表情方面存在困难，阻碍了生成高度表现力肖像视频的能力。为克服这些限制，我们提出一种高保真度个性化头部表示，更有效地解耦表情和身份。该表示捕获静态的、主题特定的全局几何以及动态的、与表情相关的细节。此外，我们引入一个表情迁移模块，以实现不同身份之间的头部姿态和表情细节的个性化迁移。我们将这种精细且高度表现力的头部模型作为条件信号，用于训练基于扩散转换器（DiT）的生成器以合成丰富细节的肖像视频。大量实验在自我重生和跨重生任务上表明，我们的方法在身份保留、表情准确性和时序稳定性方面均优于先前模型，尤其在捕捉复杂运动的细粒度细节方面表现突出。
引用
@article{arxiv.2602.19900,
title = {ExpPortrait: Expressive Portrait Generation via Personalized Representation},
author = {Junyi Wang and Yudong Guo and Boyang Guo and Shengming Yang and Juyong Zhang},
journal= {arXiv preprint arXiv:2602.19900},
year = {2026}
}
备注
CVPR 2026, Project Page: https://ustc3dv.github.io/ExpPortrait/