論文の概要: AvatarBack: Back-Head Generation for Complete 3D Avatars from Front-View Images

• arxiv url: http://arxiv.org/abs/2508.20623v1
• Date: Thu, 28 Aug 2025 10:15:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.332016
• Title: AvatarBack: Back-Head Generation for Complete 3D Avatars from Front-View Images
• Title（参考訳）: AvatarBack:フロント画像から完全な3Dアバターのバックヘッド生成
• Authors: Shiqi Xin, Xiaolin Zhang, Yanbin Liu, Peng Zhang, Caifeng Shan,
• Abstract要約: AvatarBackは、完全で一貫性のある3Dガウスアバターを再構成するように設計された、新しいプラグイン・アンド・プレイフレームワークである。 AvatarBackは,前頭骨の忠実度を維持しつつ,背頭再建の質を著しく向上させることを示す。 再建されたアバターは多様な動きの下で一貫した視覚的リアリズムを維持し、完全にアニマタブルである。
• 参考スコア（独自算出の注目度）: 24.909494214820324
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent advances in Gaussian Splatting have significantly boosted the reconstruction of head avatars, enabling high-quality facial modeling by representing an 3D avatar as a collection of 3D Gaussians. However, existing methods predominantly rely on frontal-view images, leaving the back-head poorly constructed. This leads to geometric inconsistencies, structural blurring, and reduced realism in the rear regions, ultimately limiting the fidelity of reconstructed avatars. To address this challenge, we propose AvatarBack, a novel plug-and-play framework specifically designed to reconstruct complete and consistent 3D Gaussian avatars by explicitly modeling the missing back-head regions. AvatarBack integrates two core technical innovations,i.e., the Subject-specific Generator (SSG) and the Adaptive Spatial Alignment Strategy (ASA). The former leverages a generative prior to synthesize identity-consistent, plausible back-view pseudo-images from sparse frontal inputs, providing robust multi-view supervision. To achieve precise geometric alignment between these synthetic views and the 3D Gaussian representation, the later employs learnable transformation matrices optimized during training, effectively resolving inherent pose and coordinate discrepancies. Extensive experiments on NeRSemble and K-hairstyle datasets, evaluated using geometric, photometric, and GPT-4o-based perceptual metrics, demonstrate that AvatarBack significantly enhances back-head reconstruction quality while preserving frontal fidelity. Moreover, the reconstructed avatars maintain consistent visual realism under diverse motions and remain fully animatable.
• Abstract（参考訳）: 近年のガウススプラッティングの進歩は頭部アバターの再構築を著しく促進し、3Dガウスのコレクションとして3Dアバターを表現することで高品質な顔モデルを可能にする。 しかし、既存の手法は主に正面視画像に依存しており、後頭部は十分に構築されていない。 これは幾何学的不整合、構造的ぼかし、リア領域におけるリアリズムを減少させ、最終的に再構成されたアバターの忠実さを制限させる。 この課題に対処するため、我々はAvatarBackを提案する。AvatarBackは、欠落したバックヘッド領域を明示的にモデル化することで、完全で一貫した3次元ガウスアバターを再構成するように設計された新しいプラグイン・アンド・プレイフレームワークである。 AvatarBackは2つの技術革新(SSG)とアダプティブ空間アライメント戦略(ASA)を統合している。 前者は、未開の正面からの入力から、アイデンティティに一貫性のある、プラウチブルなバックビュー擬似イメージを合成するために、生成前の生成を活用し、堅牢な多視点監視を提供する。 これらの合成ビューと3次元ガウス表現の正確な幾何学的アライメントを達成するために、後者はトレーニング中に最適化された学習可能な変換行列を使用し、固有のポーズと座標の相違を効果的に解決する。 幾何, 測光, GPT-4o に基づく知覚測定値を用いて評価したNeRSemble および K-hairstyle データセットの広範囲な実験により, AvatarBack は前頭骨の忠実さを保ちながら後方再建品質を著しく向上することが示された。 さらに、再建されたアバターは多様な動きの下で一貫した視覚的リアリズムを維持し、完全にアニマタブルのままである。

関連論文リスト

• MoGA: 3D Generative Avatar Prior for Monocular Gaussian Avatar Reconstruction [65.5412504339528]
  MoGAは高忠実度3Dガウスアバターを単一視点画像から再構成する新しい手法である。 提案手法は最先端の手法を超越し,実世界のシナリオを一般化する。
  論文  参考訳（メタデータ） (2025-07-31T14:36:24Z)
• FRESA: Feedforward Reconstruction of Personalized Skinned Avatars from Few Images [74.86864398919467]
  数枚の画像からリアルなアニメーションで、パーソナライズされた3Dアバターを再構成する新しい手法を提案する。 我々は、1000人以上の服を着た人間から普遍的な事前学習を行い、即時フィードフォワード生成とゼロショット一般化を実現する。 提案手法は, 最新技術よりも忠実な再構築とアニメーションを生成し, カジュアルに撮影された携帯電話写真からの入力に直接一般化することができる。
  論文  参考訳（メタデータ） (2025-03-24T23:20:47Z)
• Generalizable and Animatable Gaussian Head Avatar [50.34788590904843]
  本稿では,GAGAvatar(Generalizable and Animatable Gaussian Head Avatar)を提案する。 我々は、1つの前方通過で1つの画像から3次元ガウスのパラメータを生成する。 提案手法は, 従来の手法と比較して, 再現性や表現精度の点で優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-10T14:29:00Z)
• GVA: Reconstructing Vivid 3D Gaussian Avatars from Monocular Videos [56.40776739573832]
  モノクロビデオ入力(GVA)から鮮明な3Dガウスアバターの作成を容易にする新しい手法を提案する。 私たちのイノベーションは、高忠実な人体再構築を実現するという、複雑な課題に対処することにあります。 通常の地図とシルエットを整列させて手足のポーズ精度を向上させるためにポーズ改善手法を提案する。
  論文  参考訳（メタデータ） (2024-02-26T14:40:15Z)
• InvertAvatar: Incremental GAN Inversion for Generalized Head Avatars [40.10906393484584]
  本稿では,複数フレームからの忠実度向上を目的としたアルゴリズムを用いて,アバター復元性能を向上させる新しいフレームワークを提案する。 本アーキテクチャでは,画素対応画像-画像変換を重要視し,観測空間と標準空間の対応を学習する必要性を緩和する。 提案手法は,1ショットと数ショットのアバターアニメーションタスクにおける最先端の性能を示す。
  論文  参考訳（メタデータ） (2023-12-03T18:59:15Z)
• Generalizable One-shot Neural Head Avatar [90.50492165284724]
  本研究では,1枚の画像から3次元頭部アバターを再構成し,アニメイトする手法を提案する。 本研究では,一視点画像に基づく識別不能な人物を一般化するだけでなく,顔領域内外における特徴的詳細を捉えるフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-14T22:33:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。