Gaussian Deja-vu：创建具有增强泛化与个性化能力的可控 3D 高斯头部虚拟人

3D 高斯溅射（3DGS）的最新进展释放了 3D 头部虚拟人建模的巨大潜力，与基于网格的方法相比提供了更大的灵活性，与基于 NeRF 的方法相比具有更高效的渲染。尽管取得了这些进展，创建可控的基于 3DGS 的头部虚拟人仍然非常耗时，通常需要几十分钟到几个小时。为了加速这一过程，我们在此引入“Gaussian Deja-vu”框架，该框架首先获得头部虚拟人的泛化模型，然后对结果进行个性化。该泛化模型在大型 2D（合成和真实）图像数据集上进行训练。该模型提供了一个初始化良好的 3D 高斯头部，随后使用单目视频对其进行细化以实现个性化的头部虚拟人。为了进行个性化，我们提出了可学习的表情感知校正混合图来校正初始 3D 高斯，确保在不依赖神经网络的情况下快速收敛。实验表明，所提出的方法达到了其预期目标。它在照片级真实感质量方面优于最先进的 3D 高斯头部虚拟人，并将训练时间消耗减少至现有方法的至少四分之一，在几分钟内生成虚拟人。