論文の概要: Reconstruction and Reenactment Separated Method for Realistic Gaussian Head

• arxiv url: http://arxiv.org/abs/2509.05582v1
• Date: Sat, 06 Sep 2025 03:58:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.597036
• Title: Reconstruction and Reenactment Separated Method for Realistic Gaussian Head
• Title（参考訳）: 現実的なガウス頭部の再構成と再現法
• Authors: Zhiling Ye, Cong Zhou, Xiubao Zhang, Haifeng Shen, Weihong Deng, Quan Lu,
• Abstract要約: 本稿では,3次元ガウシアンヘッドの再構成と再構成のためのフレームワークを開発する。 具体的には,WebSSL上に構築した大規模ワンショットガウスヘッドジェネレータを開発した。 推測中、制御信号によって駆動される超軽量ガウスアバターは高いフレームレートレンダリングを可能にする。
• 参考スコア（独自算出の注目度）: 38.04488637546038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we explore a reconstruction and reenactment separated framework for 3D Gaussians head, which requires only a single portrait image as input to generate controllable avatar. Specifically, we developed a large-scale one-shot gaussian head generator built upon WebSSL and employed a two-stage training approach that significantly enhances the capabilities of generalization and high-frequency texture reconstruction. During inference, an ultra-lightweight gaussian avatar driven by control signals enables high frame-rate rendering, achieving 90 FPS at a resolution of 512x512. We further demonstrate that the proposed framework follows the scaling law, whereby increasing the parameter scale of the reconstruction module leads to improved performance. Moreover, thanks to the separation design, driving efficiency remains unaffected. Finally, extensive quantitative and qualitative experiments validate that our approach outperforms current state-of-the-art methods.
• Abstract（参考訳）: 本稿では,3次元ガウシアンヘッドの再構成と再現を分離した枠組みについて検討する。 具体的には、WebSSLをベースとした大規模一発ガウスヘッドジェネレータを開発し、一般化と高周波テクスチャ再構築の能力を大幅に向上させる2段階トレーニングアプローチを採用した。 推測中、制御信号によって駆動される超軽量ガウスアバターは、高フレームレートレンダリングを可能にし、512x512の解像度で90 FPSを達成する。 さらに,提案手法がスケーリング法則に従うことを実証し,再構成モジュールのパラメータスケールを増大させることで性能が向上することを示した。 さらに、分離設計により、運転効率は影響を受けないままである。 最後に、定量的および定性的実験により、我々の手法が現在の最先端手法より優れていることを検証する。

関連論文リスト

• High-Fidelity and Generalizable Neural Surface Reconstruction with Sparse Feature Volumes [50.83282258807327]
  一般化可能なニューラルサーフェス再構成は、シーンごとの最適化なしに、少数の画像から再構成するための魅力的な技術となっている。 本稿では,メモリ効率を最大化し,標準ハードウェア上での高分解能再構成を可能にするスパース表現法を提案する。
  論文  参考訳（メタデータ） (2025-07-08T12:50:39Z)
• Pixel to Gaussian: Ultra-Fast Continuous Super-Resolution with 2D Gaussian Modeling [50.34513854725803]
  Arbitrary-scale Super- resolution (ASSR) は、低解像度(LR)入力から任意のアップサンプリング係数で高解像度(HR)イメージを再構成することを目的としている。 本稿では,Gaussian Splattingを用いたLR画像から2次元連続HR信号を明示的に再構成する,Pixel-to-Gaussianパラダイムを用いた新しいContinuousSRフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-09T13:43:57Z)
• AniGaussian: Animatable Gaussian Avatar with Pose-guided Deformation [51.61117351997808]
  SMPLポーズガイダンスを用いて動的ガウスアバターを拘束する革新的ポーズ誘導変形戦略を導入する。 我々は、ガウスモデルの動的変換能力を高めるために、以前の研究から厳密な事前を取り入れた。 既存の手法との比較により、AniGaussianは定性的結果と定量的指標の両方において優れた性能を示す。
  論文  参考訳（メタデータ） (2025-02-24T06:53:37Z)
• Super-Resolution for Remote Sensing Imagery via the Coupling of a Variational Model and Deep Learning [20.697932997351813]
  リモートセンシング画像再構成のための勾配誘導マルチフレーム超解像(MFSR)フレームワーク リモートセンシング画像再構成のための新しい勾配誘導型マルチフレーム超解像(MFSR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-13T04:19:48Z)
• Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
  本稿では, この手法の軌道最適化を改良し, 復元品質と効率の両立に焦点をあてる。 反復サンプリングに伴うかなりの計算負担を軽減するため,コストを考慮したトラジェクトリー蒸留法を提案する。 提案アルゴリズムを用いて基礎拡散モデル(FLUX)を12Bパラメータで微調整し、7種類の画像復元タスクを処理する統一的なフレームワークを作成する。
  論文  参考訳（メタデータ） (2024-10-07T07:46:08Z)
• Latent Diffusion Prior Enhanced Deep Unfolding for Snapshot Spectral Compressive Imaging [17.511583657111792]
  スナップショット分光画像再構成は、単発2次元圧縮計測から3次元空間スペクトル像を再構成することを目的としている。 我々は, 深部展開法に先立って劣化のないモデルを生成するため, 遅延拡散モデル(LDM)という生成モデルを導入する。
  論文  参考訳（メタデータ） (2023-11-24T04:55:20Z)
• DiffSCI: Zero-Shot Snapshot Compressive Imaging via Iterative Spectral Diffusion Model [18.25548360119976]
  マルチスペクトル画像(MSI)におけるスナップショット圧縮画像(SCI)再構成の精度向上を目指した。 DiffSCIと呼ばれる新しいゼロショット拡散モデルを提案する。 我々は,DiffSCIが自己監督的,ゼロショット的アプローチよりも顕著な性能向上を示すことを示すため,広範囲な試験を行った。
  論文  参考訳（メタデータ） (2023-11-19T20:27:14Z)
• Reconstruct-and-Generate Diffusion Model for Detail-Preserving Image Denoising [16.43285056788183]
  再構成・生成拡散モデル(Reconstruct-and-Generate Diffusion Model, RnG)と呼ばれる新しい手法を提案する。 提案手法は, 再構成型復調ネットワークを利用して, 基礎となるクリーン信号の大半を復元する。 拡散アルゴリズムを用いて残留する高周波の詳細を生成し、視覚的品質を向上させる。
  論文  参考訳（メタデータ） (2023-09-19T16:01:20Z)

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。