論文の概要: SplitAvatar: One-shot Head Avatar with Autoregressive Gaussian Splitting
- arxiv url: http://arxiv.org/abs/2605.25751v1
- Date: Mon, 25 May 2026 12:02:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:19.935055
- Title: SplitAvatar: One-shot Head Avatar with Autoregressive Gaussian Splitting
- Title（参考訳）: SplitAvatar: 自動回帰型ガウス分割機能付きワンショットヘッドアバター
- Abstract要約: 単一画像からアニマタブルヘッドアバターを再構成する新しい手法を提案する。
本稿では,ガウスを粗いものから細かいものへと段階的に生成するグラフ分割ネットワークを提案する。
このプロセスは、GNN誘導分割によって実現され、より正確な顔の詳細を合成し、より高い再構築品質を実現する。
- 参考スコア（独自算出の注目度）: 26.626951365522526
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Gaussian Splatting (3DGS) provides an efficient method for high-quality scene reconstruction using anisotropic Gaussians. Recently, 3DGS-based methods have significantly improved the rendering quality of human avatars while enabling real-time performance. However, existing methods suffer from a magnitude mismatch in the number of Gaussians generated by image-based and 3DMM-based approaches. This discrepancy results in reconstructed expressions that lack fine-grained detail. In this paper, we introduce a novel method for reconstructing an animatable head avatar from a single image. We propose a Graph splitting network to progressively generate Gaussians from coarse to fine using an autoregressive architecture. To address the graph inconsistency caused by split Gaussians, we employ a mesh topology extension method to align the GNN's connectivity with the increased Gaussian count. Furthermore, we introduce a novel density control method that includes a gating mechanism that generates soft masks for Gaussians, preventing over-densification after the splitting operation. This allows for dynamic control over Gaussian density across different facial regions. For smooth and rapid training, we employ a delayed filtering strategy to avoid re-computing the graph topology during training. Experimental results demonstrate that our autoregressive structure effectively improves expression representation ability by progressively splitting Gaussians. This process, enabled by the GNN-guided splitting, synthesizes more precise facial details and achieves higher reconstruction quality.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は、異方性ガウスを用いた高品質なシーン再構築の効率的な方法を提供する。
近年,3DGSに基づく手法は,リアルタイム性能を実現しつつ,人間のアバターのレンダリング品質を大幅に向上させた。
しかし、既存の手法は画像ベースと3DMMに基づくアプローチによって生成されるガウスの数の大雑把に悩まされている。
この不一致は、細かな詳細を欠いた再構成された表現をもたらす。
本稿では,単一画像からアニマタブルヘッドアバターを再構成する新しい手法を提案する。
本稿では,自動回帰アーキテクチャを用いて,ガウスを粗い状態から細かな状態へ段階的に生成するグラフ分割ネットワークを提案する。
分割ガウスによるグラフの不整合に対処するために、GNNの接続性とガウス数の増加に対応するメッシュトポロジー拡張法を用いる。
さらに,ガウスのソフトマスクを生成するゲーティング機構を備え,分割操作後の過密化を防止する新しい密度制御手法を提案する。
これにより、異なる顔領域にわたるガウス密度を動的に制御できる。
スムーズかつ迅速なトレーニングでは、トレーニング中にグラフトポロジを再計算しないように、遅延フィルタリング戦略を採用する。
実験の結果,我々の自己回帰構造はガウスを段階的に分割することで表現能力を効果的に向上することが示された。
このプロセスは、GNN誘導分割によって実現され、より正確な顔の詳細を合成し、より高い再構築品質を実現する。
関連論文リスト
- Free-Range Gaussians: Non-Grid-Aligned Generative 3D Gaussian Reconstruction [72.85652875805387]
フリーランジガウス(Free-Range Gaussians)は、4つの画像から非画素、非ボクセル対応の3Dガウスを推定する多視点再構成法である。
再構成の生成的定式化により,非グリッド型3次元データによるモデル管理が可能となった。
論文 参考訳（メタデータ） (2026-04-06T17:24:18Z) - Improving Densification in 3D Gaussian Splatting for High-Fidelity Rendering [3.6379656024631215]
本稿では3DGSの密度化パイプラインを網羅的に改善する。
具体的には,分割候補のガウスを効果的に選択するエッジ・アウェアスコアを提案する。
また,クローンと分割操作によって生じる幾何学的歪みを低減させるLong-Axis Split戦略を導入する。
論文 参考訳（メタデータ） (2025-08-17T10:13:21Z) - ProtoGS: Efficient and High-Quality Rendering with 3D Gaussian Prototypes [81.48624894781257]
3D Gaussian Splatting (3DGS) は、新しいビュー合成において大きな進歩を遂げてきたが、ガウスプリミティブのかなりの数によって制限されている。
近年の手法では、密度の高いガウスの記憶容量を圧縮することでこの問題に対処しているが、レンダリングの品質と効率の維持には失敗している。
本稿では,ガウスの原始体を表現するためにガウスのプロトタイプを学習するProtoGSを提案し,視覚的品質を犠牲にすることなくガウスの総量を大幅に削減する。
論文 参考訳（メタデータ） (2025-03-21T18:55:14Z) - MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。
既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。
スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-15T08:39:05Z) - Effective Rank Analysis and Regularization for Enhanced 3D Gaussian Splatting [33.01987451251659]
3D Gaussian Splatting(3DGS)は、高品質な3D再構成によるリアルタイムレンダリングが可能な有望な技術として登場した。
その可能性にもかかわらず、3DGSは針状アーティファクト、準最適ジオメトリー、不正確な正常といった課題に遭遇する。
正規化として有効ランクを導入し、ガウスの構造を制約する。
論文 参考訳（メタデータ） (2024-06-17T15:51:59Z) - RaDe-GS: Rasterizing Depth in Gaussian Splatting [32.38730602146176]
Gaussian Splatting (GS) は、高品質でリアルタイムなレンダリングを実現するために、新しいビュー合成に非常に効果的であることが証明されている。
本研究は,DTUデータセット上のNeuraLangeloに匹敵するチャムファー距離誤差を導入し,元の3D GS法と同様の計算効率を維持する。
論文 参考訳（メタデータ） (2024-06-03T15:56:58Z) - CoherentGS: Sparse Novel View Synthesis with Coherent 3D Gaussians [18.42203035154126]
2次元画像空間で制御できる構造付きガウス表現を導入する。
次に、ガウス群、特にその位置を制約し、最適化中に独立に動くのを防ぐ。
我々は,様々な場面における最先端のスパースビュー NeRF ベースのアプローチと比較して,顕著な改善を示した。
論文 参考訳（メタデータ） (2024-03-28T15:27:13Z) - GaussianPro: 3D Gaussian Splatting with Progressive Propagation [49.918797726059545]
3DGSはStructure-from-Motion (SfM)技術によって生成されるポイントクラウドに大きく依存している。
本稿では, 3次元ガウスの密度化を導くために, プログレッシブ・プログレッシブ・プログレッシブ・ストラテジーを適用した新しい手法を提案する。
提案手法はデータセット上の3DGSを大幅に上回り,PSNRでは1.15dBの改善が見られた。
論文 参考訳（メタデータ） (2024-02-22T16:00:20Z) - Mesh-based Gaussian Splatting for Real-time Large-scale Deformation [58.18290393082119]
ユーザがリアルタイムで大きな変形で暗黙の表現を直接変形または操作することは困難である。
我々は,インタラクティブな変形を可能にする新しいGSベースの手法を開発した。
提案手法は,高いフレームレートで良好なレンダリング結果を維持しつつ,高品質な再構成と効率的な変形を実現する。
論文 参考訳（メタデータ） (2024-02-07T12:36:54Z) - GS-SLAM: Dense Visual SLAM with 3D Gaussian Splatting [51.96353586773191]
我々は,まず3次元ガウス表現を利用したtextbfGS-SLAM を提案する。
提案手法は,地図の最適化とRGB-Dレンダリングの大幅な高速化を実現するリアルタイム微分可能なスプレイティングレンダリングパイプラインを利用する。
提案手法は,Replica,TUM-RGBDデータセット上の既存の最先端リアルタイム手法と比較して,競争性能が向上する。
論文 参考訳（メタデータ） (2023-11-20T12:08:23Z)
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。