Gaussian Head Avatar: Ultra High-fidelity Head Avatar via Dynamic Gaussians

本文提出了一种高保真度的头像建模方法——高斯头像，用于轻量级稀疏视图下的头像建模。我们通过优化中性的三维高斯函数和完全学习的基于MLP的变形场来捕捉复杂的表情，从而实现了两者的互惠。这种方法可以模拟细粒度的动态细节，同时确保表情的准确性。此外，我们还设计了一种基于隐式SDF和深度Marching Tetrahedra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。实验结果表明，我们的方法在2K分辨率下甚至在夸张的表情下也能实现超高保真度的渲染质量，优于其他最先进的稀疏视图方法。

提出了一种用于高保真头像建模的方法，解决了在轻量级稀疏视角设置下的挑战。

使用可控的3D高斯函数表示高保真头像，并优化中性3D高斯函数和完全学习的MLP变形场来捕捉复杂的表情。通过两部分的相互作用，该方法可以在确保表情准确性的同时建模精细的动态细节。

该方法在隐式SDF和Deep Marching Tetrahedra的基础上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。实验表明，该方法在超高保真度下实现了2K分辨率的渲染质量，甚至在夸张的表情下也能达到高保真度。

最近的相关研究包括：Sparse Photorealistic Animation of Human Faces from Monocular Video（单目视频中人脸的稀疏逼真动画）和High-Fidelity Facial Reflectance and Geometry Inference from an Unconstrained Image Collection（从无约束图像集合推断高保真面部反射和几何）。