LHM：单张图像秒级生成大型可动画人体重建模型

从单张图像进行可动画三维人体重建是一项具有挑战性的任务，原因在于几何、外观和变形的解耦存在歧义。近期的三维人体重建研究主要聚焦于静态人体建模，且依赖合成三维扫描进行训练，这限制了其泛化能力。相反，基于优化的视频方法虽然实现了更高的保真度，但需要受控的采集条件和计算密集型的细化过程。受大型重建模型用于高效静态重建的启发，我们提出 LHM（Large Animatable Human Reconstruction Model），通过前馈推理推断以三维高斯溅射表示的高保真 avatar。我们的模型利用多模态 Transformer 架构，结合注意力机制有效编码人体位置特征和图像特征，实现对服装几何与纹理的精细保留。为进一步提升面部身份保持和细粒度细节恢复，我们提出头部特征金字塔编码方案，用于聚合头部区域的多尺度特征。大量实验表明，LHM 可在数秒内生成合理的可动画人体，无需后处理即可恢复面部和手部，在重建精度和泛化能力上均优于现有方法。