論文の概要: SpatialAvatar-0: High-Quality 4D Head Avatar with Multi-Stage Reconstruction

• arxiv url: http://arxiv.org/abs/2606.15659v1
• Date: Sun, 14 Jun 2026 07:55:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.781549
• Title: SpatialAvatar-0: High-Quality 4D Head Avatar with Multi-Stage Reconstruction
• Title（参考訳）: Space Avatar-0: High-Quality 4D Head Avatar
• Abstract要約: 高品質な4Dヘッドアバターは、テレプレゼンス、AR/VR、デジタルと人間のインタラクションの中心である。 一般化可能なフィードフォワード予測器とオブジェクトごとの精製器は並列に成熟している。 本研究では,共有FLAME-mesh-bound Gaussian表現を用いたSpatialAvatar-0を提案する。
• 参考スコア（独自算出の注目度）: 29.13831933508847
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: High-quality 4D head avatars from one or a few source portraits are central to telepresence, AR/VR, and digital-human interaction. 3D Gaussian Splatting (3DGS) has emerged as the dominant representation, with two complementary regimes (generalizable feed-forward predictors and per-subject refiners) maturing in parallel. However, existing feed-forward predictors are trained on a single dataset family with a hard-coded source count, inheriting the corresponding domain bias. Per-subject refiners require 300K--600K iterations and rely on adaptive densification that destroys upstream Gaussian layouts, preventing the two regimes from sharing a representation end-to-end. To bridge both regimes we propose SpatialAvatar-0 on a shared FLAME-mesh-bound Gaussian representation: a feed-forward generator with a parameter-free K-source mean-pool and a monocular-temporal to multi-view-spatial two-phase schedule that anchors against identity-prior collapse onto the smaller multi-view set. We further introduce a 10K-iter layout-preserving per-subject refinement loop that freezes the FLAME-binding and Gaussian count and replaces densification with a three-component anti-spike regularization. On VFHQ/HDTF cross-domain zero-shot we surpass the in-domain leader GAGAvatar by +1.5 dB PSNR despite never training on either test domain, and on the SplattingAvatar monocular benchmark we lead every reported metric, surpassing the 300K-iter GeoAvatar by +1.3 dB PSNR at up to 60x shorter per-subject schedule than common SOTA baselines. Website: https://spatialwalk.github.io/SpatialAvatar-0.
• Abstract（参考訳）: 高品質な4Dヘッドアバターは、テレプレゼンス、AR/VR、デジタルと人間のインタラクションの中心である。 3D Gaussian Splatting (3DGS) は2つの相補的レジーム(一般的なフィードフォワード予測器とオブジェクトごとの精製器)が並列に成熟している。 しかし、既存のフィードフォワード予測子は、ハードコードされたソースカウントを持つ単一のデータセットファミリでトレーニングされ、対応するドメインバイアスを継承する。 オブジェクトごとの精細化には300K-600Kのイテレーションが必要で、上流のガウス配置を破壊する適応的な密度化に依存しているため、2つのレジームがエンドツーエンドの表現を共有できない。 パラメータフリーなKソース平均プールを持つフィードフォワードジェネレータと、より小さなマルチビューにアイデンティティとプライアの崩壊に対して固定するモノクロ時間からマルチビュー空間の2フェーズスケジュールとを併用した、共有FLAME-mesh-bound Gaussian表現上でSpatialAvatar-0を提案する。 さらに、FLAME結合とガウスカウントを凍結し、密度化を3成分のアンチスパイク正規化に置き換える10K文字レイアウト保存型オブジェクト単位精製ループを導入する。 VFHQ/HDTFのクロスドメインゼロショットでは、両方のテストドメインでトレーニングをしていないにもかかわらず、ドメイン内のリーダーGAGAvatarを+1.5dB PSNRで上回り、SplattingAvatar単分子ベンチマークでは、報告されたすべてのメトリックをリードし、300K桁のGeoAvatarを1.3dB PSNRで、通常のSOTAベースラインよりも60倍短いオブジェクト単位スケジュールで上回ります。 Webサイト: https://spatialwalk.github.io/SpatialAvatar-0。

関連論文リスト

• ATSplat: Compact Feed-forward 3D Gaussian Splatting with Adaptive Token Expansion [60.00320387969695]
  ATSplatはフィードフォワード3DGSフレームワークで、3DGS最適化のアダプティブアロケーション機能を復元する。 12の入力画像の解像度が512倍の960ドルから、ATSplatは1つの商用GPUを使用して1秒未満で再構築を完了した。
  論文  参考訳（メタデータ） (2026-07-22T17:54:44Z)
• Rendering-Aware Bayesian 3D Gaussian Splatting with Native Uncertainty and Adaptive Complexity Control [20.917423573702127]
  3DGSはリアルタイムノベルビューの強力な表現であるが、標準的なトレーニングパイプラインは点推定と手作業による合成に依存している。 本稿では,ベイズ幾何学を標準逆ウィッシュアートの手法と共分散を用いて追従するレンダリング対応3DGSフレームワークを提案する。 固定予算の16対32のアクティブビュータスクでは、ネイティブNIWはPSNRを+0.453dB、LPIPSを-0.0146で改善し、スコアのみの3つの標準アンサンブルベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-07-06T18:01:08Z)
• PointSplat: Compact Gaussian Splatting via Human-Centric Prediction [70.45838533838104]
  本研究では,ハエのインプットビューから3次元人間表現を創出する新しい人間中心のアプローチであるPointSplatを提案する。 提案手法は,まず粗い幾何学的プロキシを推定し,冗長点を起点とするレイキャスティングを行う。 その後、ポイント・イメージ・トランスフォーマーを使用して外観と幾何学的特徴を融合させ、ガウスの属性を1つの前方通過で予測する。
  論文  参考訳（メタデータ） (2026-06-30T17:59:05Z)
• ZipSplat: Fewer Gaussians, Better Splats [89.08529100444004]
  本稿では,ガウス配置を画素グリッドから分離するトークンベースのフィードフォワードモデルZipSplatを提案する。 クロスアテンションとセルフアテンションはこれらのトークンを洗練させ、単一のトレーニングされたモデルは、再トレーニングせずに品質-効率曲線にまたがる。 ZipSplatは、画期的なポーズや内在的ポーズなしで動作しますが、DL3DVとRealEstate10Kに新しい状態を設定します。
  論文  参考訳（メタデータ） (2026-06-03T17:04:30Z)
• Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
  ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。 2次元空間伝搬伝搬に基づくC-GSPNを提案する。
  論文  参考訳（メタデータ） (2026-05-30T14:29:43Z)
• FFAvatar: Few-Shot, Feed-Forward, and Generalizable Avatar Reconstruction [15.685572282342891]
  アバター再構成は伝統的に、数時間の計算を必要とするオブジェクトごとの最適化に依存してきた。 本稿では,高品質でアニマタブルな3次元ガウスヘッドアバターを数秒で再構築する,一般化可能なフィードフォワードフレームワークであるFFAvatarを紹介する。
  論文  参考訳（メタデータ） (2026-05-14T18:33:49Z)
• Two-View Accumulation as the Primary Training Lever for Hybrid-Capture Gaussian Splatting: A Variance-Decomposition View of When Gradient Surgery Helps [7.6889618752994595]
  ハイブリッドキャプチャーノベルビュー合成は、かなり異なるカメラビューを組み合わせる。 標準3DGSは、ステップ毎に1つのレンダリングビューで30Kイテレーションでトレーニングされている。 本稿では,この発見を予測・説明する分散分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-29T17:45:51Z)
• iGaussian: Real-Time Camera Pose Estimation via Feed-Forward 3D Gaussian Splatting Inversion [62.09575122593993]
  iGaussianは2段階のフィードフォワードフレームワークで、直接3Dガウス変換によるリアルタイムカメラポーズ推定を実現する。 NeRF Synthetic, Mip-NeRF 360, T&T+DB データセットの実験結果から, 従来の手法に比べて大幅な性能向上が得られた。
  論文  参考訳（メタデータ） (2025-11-18T05:22:22Z)
• Linear Differential Vision Transformer: Learning Visual Contrasts via Pairwise Differentials [34.77694214755808]
  MHSA(Multi-Head Self-Attention)の代替品であるVCA(Visual-Contrast Attention)を導入する。 VCAは、O(N N C) から O(N n C) への理論複雑性を n N で減少させながら、識別の明示的な概念を注入する。 モジュールはDeiT-Tinyのバックボーンに0.3M以下のパラメータを追加し、追加のFLOPを必要とせず、完全にアーキテクチャに依存しない。
  論文  参考訳（メタデータ） (2025-11-02T07:04:12Z)
• SPFSplatV2: Efficient Self-Supervised Pose-Free 3D Gaussian Splatting from Sparse Views [18.814209805277503]
  スパース多視点画像から3次元ガウススプラッティングを行うための効率的なフィードフォワードフレームワークであるSPFSplatV2について述べる。 ドメイン内およびドメイン外の新規ビュー合成において、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-09-21T21:37:56Z)
• InstantSplat: Sparse-view Gaussian Splatting in Seconds [91.77050739918037]
  InstantSplatは,光速でスパークビュー3Dシーンを再現する新しい手法である。 InstantSplatでは,3Dシーン表現とカメラポーズを最適化する,自己管理フレームワークを採用している。 3D-GSの従来のSfMと比較して、30倍以上の再現を達成し、視覚的品質(SSIM)を0.3755から0.7624に改善する。
  論文  参考訳（メタデータ） (2024-03-29T17:29:58Z)
• MVSplat: Efficient 3D Gaussian Splatting from Sparse Multi-View Images [102.7646120414055]
  入力としてスパースなマルチビュー画像を与えられたMVSplatは、クリーンなフィードフォワード3Dガウスを予測できる。 大規模RealEstate10KとACIDベンチマークでは、MVSplatは高速フィードフォワード推論速度(22fps)で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-03-21T17:59:58Z)
• Mega-NeRF: Scalable Construction of Large-Scale NeRFs for Virtual Fly-Throughs [54.41204057689033]
  我々は、ニューラルネットワーク(NeRF)を活用して、建物にまたがる大規模な視覚的キャプチャーや、主にドローンデータから収集された複数の都市ブロックからインタラクティブな3D環境を構築する方法について検討する。 NeRFが伝統的に評価されている単一のオブジェクトシーンとは対照的に、この設定には複数の課題がある。 我々は、訓練画像(またはむしろピクセル)を、並列で訓練できる異なるNeRFサブモジュールに分割する単純なクラスタリングアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2021-12-20T17:40:48Z)

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。