GAvatar: Animatable 3D Gaussian Avatars with Implicit Mesh Learning

高斯喷洒成为一种强大的三维表示方法，利用了显式（网格）和隐式（NeRF）三维表示的优势。本文旨在利用高斯喷洒生成逼真的可动漫画化人物头像，解决网格或NeRF表示法所限制的灵活性和效率等问题。然而，简单应用高斯喷洒不能生成高质量的可动漫画化人物头像，且存在学习不稳定性；同时，它也不能捕捉到细节人物几何形状，通常会导致身体部位退化。为了解决这些问题，我们首先提出了基于原始形状的三维高斯表示方法，其中高斯函数在基于姿势的原始形状内定义，以便于动画制作。其次，为了稳定和分摊学习数百万高斯函数，我们提出使用神经隐式场来预测高斯函数的属性（如颜色）。最后，为了捕捉细节人物几何形状和提取详细的网格，我们提出了一种基于SDF的隐式网格学习方法，用于三维高斯函数，以规范底层几何形状并提取高度详细的纹理网格。我们提出的方法GAvatar，能够使用文本提示大规模生成多样化的可动漫画化人物头像。GAvatar在外观和几何质量方面均显著超越现有方法，并在1K分辨率下实现了极快的渲染速度（100fps）。

本文旨在利用高斯喷洒生成逼真的可动画化头像，以解决网格或NeRF等3D表示形式的限制性问题。

提出了一种基于原始形状的3D高斯表示形式，利用神经隐式场预测高斯属性，使用基于SDF的隐式网格学习方法提取细节网格。

GAvatar方法使用文本提示大规模生成多样化的可动画头像，外观和几何质量都优于现有方法，同时实现了非常快的渲染速度。实验使用了自己构建的数据集，并开源了代码。

与本文相关的研究包括NeRF、基于网格的3D表示和文本到图像生成等。