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

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

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

我们提出了一个新颖的框架，用于生成逼真的3D人头，并以卓越的灵活性操纵和更改它们。

Dec, 2023

通过联合学习网格畸变和二维UV空间高斯纹理，我们提出了UV高斯模型，用于重建逼真的可行驶人体化身，并通过独立的网格网络来优化姿势相关的几何畸变，从而指导高斯渲染并显著提高渲染质量。

Mar, 2024

提出了一种新颖的快速3D神经隐式头像模型，实现实时渲染并保持细粒度的可控性和高渲染质量。本方法引入局部哈希表混合形状，通过线性合并和卷积神经网络预测的权重，将其附加到底层面部参数模型的顶点上，从而实现表情相关的嵌入。通过轻量级多层感知机实现高效的密度和颜色预测，并通过分层最近邻搜索方法加速。大量实验证明，本方法在实时运行的同时实现了与最新技术相比可比的渲染质量，并对具有挑战性的表情获得了不错的结果。

Apr, 2024

我们提出了一种混合Mesh-Gaussian头像的方法（MeGA），通过选择增强的FLAME网格作为面部表示，并使用延迟神经渲染获取面部颜色，从而为多个不同组件提供更适合的表示方式，以获得更高保真度的头部渲染，进而支持多种下游任务。

Apr, 2024

我们介绍了用于建模逼真头部Avatar的3D高斯混合形状。通过将一个单眼视频作为输入，我们学习到由中性表情组成的基本头部模型以及一组表情混合形状，其中每个形状对应于经典参数化面部模型中的一个基本表情。通过对表情系数进行高斯线性混合，中性模型和表情混合形状可以有效地生成任意表情的Avatar模型。与现有方法相比，我们的高斯混合形状表示更好地捕捉了输入视频所展示的高频细节，同时实现了更优越的渲染性能。

Apr, 2024

本文解决了从少量真实数据生成高保真可动画三维头像的问题，通过先验学习和头像创建的框架，利用大规模动态多视图数据集的三维头像先验进行个性化。研究表明，该方法能够快速自定义头像，并在多个视角下实现一致的照片级渲染质量和稳定的动画效果。

Aug, 2024

本文解决了实时渲染人头头像中复杂运动（如口腔内部和头部姿态变化）表现不佳的问题。提出了一种新方法，通过多视角图像生成高度动态和可变形的人类头头像，核心在于层次化的头部模型表示，使得面部表情和头部动作的复杂动态得以捕捉。该方法在多个数据集上表现优越，展现了跨身份面部表演转移的潜在应用。

Sep, 2024