通过使用基于三维高斯曲面的动态三维表示以及参数可变的脸部模型，我们介绍了一种新的方法 ——GaussianAvatars，用于创建在表情、姿势和视角方面可完全控制的逼真头像。

Dec, 2023

从单目肖像视频中学习具有高效变形能力和渲染效率的头像，提出了使用三维高斯点表示和高斯变形场学习显式头像的新方法。通过适应性形状的高斯点和高斯变形场，实现了与目标姿态和表情相对应的运动，进而实现了高效的变形。同时，高斯点具有可控的形状、大小、颜色和透明度，结合高斯点渲染技术，提高了训练和渲染的效率，实验结果证明了该方法在头像学习中的卓越性能。

Dec, 2023

提出了使用三维高斯斑点（3DGS）进行三维头部重建和动画的 HeadGaS 模型，其利用可学习的潜在特征扩展了 3DGS 的显式表示，并与参数化头部模型的低维参数线性融合，实现表情相关最终颜色和不透明度值。实验证明，HeadGaS 在实时推理帧率方面取得了最先进的结果，超过基线约 2dB，并将渲染速度加速至 10 倍以上。

Dec, 2023

从多视图视频录制中构建高保真、可控的人物形象，利用神经参数高斯分布进行渲染，实现了逼真的动画表现能力。

May, 2024

基于 3D 高斯原理，我们提出了一个名为 GaussianHead 的头像算法，它在头部几何和三面平面的因素对齐变换有效消除了固定映射引入的偏见，使得在自重建、新视图合成和跨身份再现等任务中获得了最佳的可视效果，并保持高渲染效率（每帧 0.12 秒）。有关代码和其他视频可以在项目主页上找到。

Dec, 2023

GGAvatar 是一种新颖的 3D 头像表示方法，用于稳健地建模具有复杂身份和变形的动态头像。通过采用自适应密度控制策略将高斯原语与可变形三角网格配对，Neutral Gaussian Initialization Module 为目标主体的几何结构建模中性表情。Geometry Morph Adjuster 将全局空间中的适应变形基引入每个高斯，有效地创建形变行为的精细低维表示，以解决线性混合蒙皮公式的局限性。大量实验证明，GGAvatar 能够产生高保真度的渲染结果，在视觉质量和定量指标方面优于最先进的方法。

May, 2024

通过引入参数驱动的动力学到三维高斯喷点，本研究提出了一种完全明确的方法来由单一单眼序列构建数字化角色，并使用栅格化器合成图像。该方法无需额外注释并且能在消费硬件上高效推断全分辨率图像，实验证明其在数据集上在定量和视觉上均优于现有的技术。

Dec, 2023

使用可变形基于点的表示方法 PointAvatar，将颜色和法向量相关联，可以基于单目视频生成高质量的可动画 3D 头像，并在渲染效率和拓扑灵活性方面加强。

Dec, 2022

该研究解决了从多视角视频中学习的逼真人体化身的实时渲染问题，通过提出了基于三维高斯散点的可动态化的人体模型，相较于现有方法，在 THuman4 数据集上呈现了 1.5dbB 更好的 PSNR，并能以 20fps 或更高的速度进行渲染。

Nov, 2023

高保真度 3D 头像模型的研究中，轻量级稀疏视图下依然存在很大挑战。本文提出了用可控的 3D 高斯模型表示的高保真度的头像模型。我们优化了中性 3D 高斯模型以及基于完全学习的 MLP 变形场，用于捕捉复杂表情。这两部分互相有益，因此我们的方法可以在保证表情精度的同时模拟细致的动态细节。此外，我们基于隐式 SDF 和深度 Marching Tetrahedra 设计了一个良好的几何引导初始化策略，以确保训练过程的稳定性和收敛性。实验证明，我们的方法优于其他最先进的稀疏视图方法，在夸张的表情下实现了 2K 分辨率下的超高保真度渲染质量。

Dec, 2023