通用可动画的高斯头像模型

Xuangeng Chu; Tatsuya Harada

通用可动画的高斯头像模型

计算机视觉与模式识别 2024-10-11 v1 图形学

作者: Xuangeng Chu , Tatsuya Harada

摘要

本文提出一种通用可动画的高斯头像模型（Generalizable and Animatable Gaussian Head Avatar, GAGAvatar），用于单次图像的可动画头像重建。现有方法依赖神经辐射场，导致渲染计算负担重，重现速度慢。为解决此问题，我们从单张图像在一次前向传播中生成3D高斯的参数。本工作的关键创新在于提出的双向升压方法，能够生成捕捉身份特征和面部细节的高保真度3D高斯。此外，我们利用全局图像特征和3D面部可变形模型构建用于控制表情的3D高斯。训练后，模型能够在无需特定优化的情况下重建未见身份，并实现实时重现渲染。实验表明，与先前方法相比，本方法在重建质量和表情精度方面表现优异。我们认为本方法可为未来研究设立新基准，推动数字头像的应用发展。代码和演示可在 https://github.com/xg-chu/GAGAvatar 查看。

关键词

神经辐射场 3D 高斯面部重建表情控制实时渲染

引用

@article{arxiv.2410.07971,
  title  = {Generalizable and Animatable Gaussian Head Avatar},
  author = {Xuangeng Chu and Tatsuya Harada},
  journal= {arXiv preprint arXiv:2410.07971},
  year   = {2024}
}

备注

NeurIPS 2024, code is available at https://github.com/xg-chu/GAGAvatar, more demos are available at https://xg-chu.site/project_gagavatar

通用可动画的高斯头像模型

摘要

关键词

引用

备注

相关论文