GAvatar：具有隐式网格学习的可动画 3D 高斯化身

高斯泼溅（Gaussian splatting）已成为一种强大的 3D 表示方法，兼具显式（网格）和隐式（NeRF）3D 表示的优势。在本文中，我们寻求利用高斯泼溅从文本描述生成逼真的可动画化身，以解决基于网格或 NeRF 的表示所施加的局限性（例如灵活性和效率）。然而，朴素地应用高斯泼溅无法生成高质量的可动画化身，且存在学习不稳定的问题；它也无法捕捉精细的化身几何结构，常导致身体部位退化。为解决这些问题，我们首先提出了一种基于图元的 3D 高斯表示，其中高斯分布在姿态驱动的图元内部以促进动画生成。其次，为了稳定并分摊数百万个高斯的学习过程，我们提出使用神经隐式场来预测高斯属性（例如颜色）。最后，为了捕捉精细的化身几何结构并提取详细网格，我们提出了一种针对 3D 高斯的新型基于 SDF 的隐式网格学习方法，该方法正则化底层几何结构并提取高度详细的纹理网格。我们提出的方法 GAvatar 能够仅使用文本提示大规模生成多样化的可动画化身。GAvatar 在外观和几何质量方面均显著超越现有方法，并在 1K 分辨率下实现了极快的渲染速度（100 fps）。