MIGS：基于张量分解的多身份高斯光谱

我们提出了 MIGS（Multi-Identity Gaussian Splatting），这是一种新方法，通过仅使用单目视频学习多个身份的单一神经表示。最近的 3D 高斯光谱（3DGS）用于人类头像的方法需要针对每个身份进行优化。然而，学习多身份表示在对不受约束姿态下动画人类方面具有显著优势。我们提出构建一种结合所有训练身份可学习 3DGS 参数的高阶张量。通过假设低秩结构并对张量进行分解，我们在统一的网络中建模多个主体的复杂刚性和非刚性变形，从而显著减少总参数数量。我们的方法利用所有训练身份的信息，能够在挑战性的未见姿态下实现稳健的动画，超越现有方法。该方法还可以扩展以学习未见身份。