基于持续学习的可维护数字化化身：MaintaAvatar

虚拟数字化化身的生成是计算机视觉领域的关键研究主题。许多现有工作利用神经辐射场（NeRF）来解决此问题并取得了令人印象深刻的结果。然而，先前的工作假设训练人员的图像是固定且可用的，而在实际场景中，人的外观和姿态可能会不断变化和增加。如何更新人类化身同时又能渲染旧人物外观是一个实际挑战。一个显而易见的解决方案是将现有的基于NeRF的虚拟化身模型与持续学习方法相结合。然而，这种方法存在一些关键问题：学习新的外观和姿态会导致模型忘记过去的信息，从而导致旧外观渲染质量下降，尤其是出现颜色漂移和错误的人体姿态。本文提出一种基于神经辐射场的可维护化身（MaintaAvatar），通过持续学习来解决上述问题，利用全局-局部联合存储模块和姿态蒸馏模块。总体而言，我们的模型只需有限的数据收集即可快速微调模型，同时避免灾难性遗忘，从而实现可维护的虚拟化身。实验结果验证了MaintaAvatar模型的有效性。