論文の概要: Large-Scale High-Quality 3D Gaussian Head Reconstruction from Multi-View Captures
- arxiv url: http://arxiv.org/abs/2605.04035v1
- Date: Tue, 05 May 2026 17:55:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:44.072906
- Title: Large-Scale High-Quality 3D Gaussian Head Reconstruction from Multi-View Captures
- Title（参考訳）: 多視点撮影による大規模高画質3次元ガウス頭部再構成
- Authors: Evangelos Ntavelis, Sean Wu, Mohamad Shahbazi, Fabio Maninchedda, Dmitry Kostiaev, Artem Sevastopolsky, Vittorio Megaro, Trevor Phillips, Alejandro Blumentals, Shridhar Ravikumar, Mehak Gupta, Reinhard Knothe, Jeronimo Bayer, Matthias Vestner, Simon Schaefer, Thomas Etterlin, Christian Zimmermann, Mathias Deschler, Peter Kaufmann, Stefan Brugger, Sebastian Martin, Brian Amberg, Tom Runia,
- Abstract要約: HeadsUpは、大規模マルチカメラのセットアップから高品質な3Dガウスヘッドを再構築するためのスケーラブルなフィードフォワード方式である。
我々は、既存の多視点人頭データセットよりも桁違いに大きい1万人以上の被験者からなる内部データセット上で、我々のモデルをトレーニングし、評価する。
- 参考スコア（独自算出の注目度）: 29.00521374069166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose HeadsUp, a scalable feed-forward method for reconstructing high-quality 3D Gaussian heads from large-scale multi-camera setups. Our method employs an efficient encoder-decoder architecture that compresses input views into a compact latent representation. This latent representation is then decoded into a set of UV-parameterized 3D Gaussians anchored to a neutral head template. This UV representation decouples the number of 3D Gaussians from the number and resolution of input images, enabling training with many high-resolution input views. We train and evaluate our model on an internal dataset with more than 10,000 subjects, which is an order of magnitude larger than existing multi-view human head datasets. HeadsUp achieves state-of-the-art reconstruction quality and generalizes to novel identities without test-time optimization. We extensively analyze the scaling behavior of our model across identities, views, and model capacity, revealing practical insights for quality-compute trade-offs. Finally, we highlight the strength of our latent space by showcasing two downstream applications: generating novel 3D identities and animating the 3D heads with expression blendshapes.
- Abstract（参考訳）: 本稿では,大規模マルチカメラから高品質な3次元ガウスヘッドを再構築するための,スケーラブルなフィードフォワード手法であるHeadsUpを提案する。
提案手法では,入力ビューをコンパクトな潜在表現に圧縮する効率的なエンコーダデコーダアーキテクチャを用いる。
この潜在表現は、中性ヘッドテンプレートに固定されたUVパラメータ化された3Dガウスの集合にデコードされる。
このUV表現は、入力画像の数と解像度から3Dガウスの数を分離し、多くの高解像度の入力ビューでのトレーニングを可能にする。
我々は、既存の多視点人頭データセットよりも桁違いに大きい1万人以上の被験者からなる内部データセット上で、我々のモデルをトレーニングし、評価する。
HeadsUpは最先端の再構築品質を実現し、テスト時間最適化なしで新しいアイデンティティに一般化する。
我々は、アイデンティティ、ビュー、モデルのキャパシティにわたって、モデルのスケーリング挙動を広範囲に分析し、品質計算トレードオフの実践的な洞察を明らかにします。
最後に,新しい3次元同一性の生成と,表現の混合による3次元頭部のアニメーション化という,下流の2つの応用を示すことで,潜伏空間の強さを強調した。
関連論文リスト
- TeGA: Texture Space Gaussian Avatars for High-Resolution Dynamic Head Modeling [52.87836237427514]
フォトリアルアバターは、テレプレゼンス、拡張現実、エンターテイメントにおける新興アプリケーションにおいて重要な要素であると見なされている。
本稿では,最先端の3Dヘッドアバターモデルを提案する。
論文 参考訳（メタデータ） (2025-05-08T22:10:27Z) - SIGMAN:Scaling 3D Human Gaussian Generation with Millions of Assets [72.26350984924129]
本稿では,3次元デジタル化のための潜在空間生成パラダイムを提案する。
我々は,不適切な低次元から高次元のマッピング問題を学習可能な分布シフトに変換する。
我々は、HGS-1Mデータセットを構築するために、合成データと組み合わせた多視点最適化アプローチを採用する。
論文 参考訳（メタデータ） (2025-04-09T15:38:18Z) - AugGS: Self-augmented Gaussians with Structural Masks for Sparse-view 3D Reconstruction [9.953394373473621]
スパースビュー3D再構成はコンピュータビジョンにおける大きな課題である。
本研究では,スパース・ビュー3D再構成のための構造マスクを付加した自己拡張型2段ガウス・スプレイティング・フレームワークを提案する。
提案手法は,認識品質における最先端性能と,スパース入力との多視点整合性を実現する。
論文 参考訳（メタデータ） (2024-08-09T03:09:22Z) - GPHM: Gaussian Parametric Head Model for Monocular Head Avatar Reconstruction [47.113910048252805]
高忠実度3D人間の頭部アバターは、VR/AR、デジタル人間、映画製作に不可欠である。
近年の進歩は、変形可能な顔モデルを利用して、様々なアイデンティティと表現を表現するアニメーションヘッドアバターを生成している。
本稿では,人間の頭部の複雑さを正確に表現するために,三次元ガウスを用いた3次元ガウスパラメトリックヘッドモデルを提案する。
論文 参考訳（メタデータ） (2024-07-21T06:03:11Z) - GGHead: Fast and Generalizable 3D Gaussian Heads [48.967905053963385]
3D GANは、比較的遅い列車とレンダリング速度のために、高解像度でサンプルを生成するのに苦労しています。
本稿では、3次元GANフレームワーク内での最近の3次元ガウススプラッティング表現を取り入れた生成ガウスヘッド(GGHead)を提案する。
高品質な3Dコンセントヘッドのリアルタイム生成とレンダリングを初めて10242ドルで実証した。
論文 参考訳（メタデータ） (2024-06-13T17:54:38Z) - Pushing Auto-regressive Models for 3D Shape Generation at Capacity and Scalability [118.26563926533517]
自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。
自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
論文 参考訳（メタデータ） (2024-02-19T15:33:09Z) - Learning Personalized High Quality Volumetric Head Avatars from
Monocular RGB Videos [47.94545609011594]
本研究では,野生で撮影されたモノクロRGBビデオから高品質な3次元頭部アバターを学習する方法を提案する。
我々のハイブリッドパイプラインは、3DMMの幾何学的先行と動的追跡とニューラルラディアンス場を組み合わせることで、きめ細かい制御とフォトリアリズムを実現する。
論文 参考訳（メタデータ） (2023-04-04T01:10:04Z) - Head3D: Complete 3D Head Generation via Tri-plane Feature Distillation [56.267877301135634]
現在のフルヘッド生成法では、モデルをトレーニングするために多数の3Dスキャンやマルチビューイメージが必要となる。
マルチビュー画像に制限のある完全3Dヘッドを生成する手法であるHead3Dを提案する。
本モデルは,写真リアルなレンダリングと高品質な幾何表現により,コスト効率と多種多様な完全ヘッド生成を実現する。
論文 参考訳（メタデータ） (2023-03-28T11:12:26Z) - Learning Neural Parametric Head Models [7.679586286000453]
そこで本研究では,ハイブリッドニューラルネットワークを用いた人間の頭部の3次元形状モデルを提案する。
我々は,手動距離場(SDF)として標準空間内の人物の身元を捉え,ニューラルな変形場を持つ表情をモデル化する。
我々の表現は、顔のアンカーポイントを中心とした局所フィールドのアンサンブルを導入することで、高忠実な局所詳細を実現する。
論文 参考訳（メタデータ） (2022-12-06T05:24:42Z)
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。