本文提出了RenderMe-360数据集，这是一个包含了头像高度完整4D数据的大规模数字库。数据集包含了243+万个完整的头框架和来自500个不同身份的超过800k个视频序列，是一个高保真度和高多样性的数据库，提供了丰富的属性和几何风格。该数据集还提供不同粒度的注释，并在头像研究的五项主要任务上进行了全面的基准测试。本文的实验揭示了当前方法的优缺点，表明RenderMe-360将开启未来头像研究领域的探索之门。

May, 2023

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

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

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

我们提出了个性化的高斯本征模型（GEMs）用于人类头部的研究，一种将动态3D高斯压缩为低维线性空间的新方法。我们的方法基于动态3D高斯，创造了适用于大多数3DGS头部角色的原语的低维表示。我们用线性本征基础的集合来提炼控制网络高斯头像的外观的通用方法。通过用蒙特卡洛算法生成点云来组织和压缩头部面部的高斯。我们替换了大量的基于CNN的体系结构，转而使用单个线性层，提高了速度并使一系列实时应用成为可能。

Jul, 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