[paper | proj]
- 给定FLAME，基于每个三角面片中心初始化一个3D Gaussian（3DGS）；当FLAME mesh被驱动时，3DGS根据它的父亲三角面片，做平移、旋转和缩放变化；
- 3DGS可以视作mesh上的辐射场；
- 为实现高保真的avatar，本文提出一种蒙皮（binding）继承策略，在优化过程中，保持蒙皮对3DGS的控制；
- 本文贡献如下：
- 提出GaussianAvatars，通过将3DGS绑定至FLAME模型，实现可驱动的head avatars；
- 设计了一种蒙皮继承策略，使得在保持蒙皮控制的情况下，3DGS的新增和移除。
近期工作
静态场景表征
- NeRF用神经网络，以辐射场的形式存储场景；
- 后续工作将场景表征为voxel grids、使用voxel hashing、或使用tensor decomposition，加速渲染；
- PointNeRF使用点云表征场景；
- 3D Gaussian Splatting使用各向异性3D Gaussian，实现实时渲染和优异的视觉效果；
- Mixture of Volumetric Primitives使用surface-aligned volumes实现高视觉保真度的快速渲染；
动态场景表征
- Basic Design：基于NeRF的方法，输入4D坐标（x, y, z, t），输出密度和颜色。例如：K-Plane、4K4D等。这类方法虽然效果不错，但是无法显式控制内容；
- Deformation MLP：学习静态标定空间，通过MLP将其他时间下的空间映射回标准空间；
- Proxy geometry：
- Liu等人 [25] 基于SMPL移动后的最近三角面片，将观察空间中的点warp回标定空间；
- Peng等人 [34] 基于SMPL的骨架和神经蒙皮系数（neural blending weights）变形点；
- 前向变形（forward deformation）[13, 18, 20, 23, 48] 和cage-based deformation [54]；
- 不同于上述方法，本文将3DGS附着在三角面片上，并显式地移动他们，避免使用标定空间，并可使用mesh finetuning。
头像重建与驱动
- Thies等人 [41] 实现了数字人的实时人脸跟踪和面部重现（face reenactment）；
- Gafni等人 [8] 从单目视频中以表情系数作为控制信号，学习NeRF；
- Grassal等人 [10] 向FLAME中添加偏移量，增强几何，通过基于表情控制的纹理域，实现动态纹理；
- IMavatar [51] 基于神经隐式方程学习3D可形变数字人，通过iterative root-finding实现标定空间到观察空间的映射；
- HeadNeRF [11] 学习一个基于NeRF的参数化头模；
- INSTA [55] 通过寻找FLAME上最近三角面片，将查询点映射回标定空间；
- Zheng [52] 探索了基于点的表征和可导的点渲染方法，在标定空间中定义点集，学习受FLAME表情系数控制的形变场，以驱动数字人；
- AvatarMAV [46] 定义了标定辐射场和运动场；
- 不同于INSTA，本文在3DGS和三角面片间建立一致性关联。
方法
- 根据给定的多视角图片和相机参数，估计每帧图片中的FLAME参数；
- 建立三角面片和3DGS的关系；
- 可导渲染得到图片与GT图片算损失，用于训练模型；
- 在训练过程中，通过蒙皮继承策略（binding inheritance strategy）控制3DGS增删后与三角面片的对应关系。
绑定3DGS与三角面片
给定三角面片，本文计算：
- 均值位置
：给定三角面片的三条边，计算对应的均值位置；
- 构造旋转矩阵
：1）三角面片的某条边；2）三角面片的法向向量；3）与前两者垂直的第三边；
- 放缩变量
：通过三角形中一条边及其垂线的平均长度来计算标量
对于对应的3DGS，在局部空间定义其位置，旋转矩阵
，各向异性缩放系数
。
- 初始化时，
为局部零点位置，
为单位旋转矩阵，
为单位矢量。
- 渲染时，将其从局部空间转换为全局空间：
本文将三角面片的缩放系数，嵌入到公式5和6中，使得3DGS的局部位置和缩放与三角面片的缩放相关。这使得全局定义的学习率可以适用于局部。
蒙皮继承策略
- 稠密：对于具有较大view-space positional gradient的3DGS，如果该点较大则拆分为两个，如果较小则复制一个新的；确保新3DGS和旧的足够近，这样可以将新点绑定至旧点对应的三角面片；
- 剪枝：在3DGS原有剪枝的技术上，确保每个三角面片具有至少一个3DGS。有些脸部区域（眼球）常被遮挡，很有可能由于剪枝，导致眼球部分的3DGS被去掉。
优化和正则
- 渲染图像损失如下，可以保证对已有场景有不错效果，但是对新表情和位置效果不佳（存在spike和blob伪影）
具有阈值的位置损失（Position loss with threshold）
在蒙皮继承策略中，本文通过拆分和复制增加新的3DGS。理想情况下，新增的3DGS应该与面片相邻。但是经过优化后，无法保证他们相邻。为解决该问题，本文引入了位置正则项：
，确保3DGS和它的父亲三角面片足够近。
具有阈值的放缩损失（Scaling loss with threshold）
如果某个3DGS相较于它的父亲三角面片更大，三角面片的小角度旋转，会在3DGS上被放大，导致伪影。为解决该问题，本文引入了放缩正则项：
，确保3DGS不会太大。
最终损失
其中，和
。这两项确保常被遮挡的区域（眼球、牙齿）可以被保留。
实现细节
- Adam，位置学习率为5e-3，放缩学习率为1.7e-2；
- 除了3DGS，FLAME的translation、joint rotation和表情系数也会fine-tune，学习率分别为：1e-6，1e-5和1e-3。
- 训练600k iters，从10k iters之后，每2k iters执行3DGS的更新和蒙皮继承策略，每60k iters，重新设置3DGS的不透明度。
实验
- 数据集：NeRSemble数据集上的9个目标，每个目标包含10种表情和16个视角。
- 测试：1）新视角生成（novel-view synthesis）；2）自重演（self-reenactment）；3）跨ID重演（cross-identity reenactment）。
数字人重建
消融实验
