論文の概要: FFAvatar: Feed-Forward 4D Head Avatar Reconstruction from Sparse Portrait Images

• arxiv url: http://arxiv.org/abs/2606.30347v1
• Date: Mon, 29 Jun 2026 14:21:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.277056
• Title: FFAvatar: Feed-Forward 4D Head Avatar Reconstruction from Sparse Portrait Images
• Title（参考訳）: FFAvatar:スパースポートレート画像によるフィードフォワード4次元アバター再構成
• Authors: Jianjiang Yao, Ke Xian, Renxiang Dai, Robert Caiming Qiu,
• Abstract要約: 高品質でアニマタブルな4Dヘッドアバターを高速に構築するためのトランスフォーマーベースの3次元ガウスフレームワークであるFFAvatarを提案する。 視覚的忠実度と計算効率のバランスをとるために,スパース・トゥ・ディエンス学習パラダイムを導入する。 実験により、FFAvatarは効率よく高忠実で制御可能な4Dヘッドアバターを生産することが示された。
• 参考スコア（独自算出の注目度）: 14.13683759834114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present FFAvatar, a Transformer-based 3D Gaussian framework for fast construction of high-quality and animatable 4D head avatars from one or more reference portrait images. Unlike existing feed-forward approaches that require a fixed number of input views, FFAvatar supports incremental reconstruction, progressively refining the avatar representation as additional reference images become available. At the core of our method is an alternating attention mechanism that disentangles identity appearance from expression and viewpoint variations, enabling the reconstruction of a canonical 3D appearance that remains consistent across poses and facial expressions. To balance visual fidelity and computational efficiency, we introduce a sparse-to-dense learning paradigm. Coarse appearance features are first learned using sparse primitives anchored to the FLAME vertex level and are subsequently densified in the UV domain to capture fine-grained geometric and texture details. We further propose a plug-and-play motion refinement module that enables subject-specific dynamic personalization by modeling residual motion beyond parametric deformation. Extensive experiments demonstrate that FFAvatar efficiently produces high-fidelity and controllable 4D head avatars, achieving superior flexibility, driving efficiency, and identity-consistent rendering across diverse expressions and viewpoints.
• Abstract（参考訳）: FFAvatarはトランスフォーマーベースの3Dガウスのフレームワークで、1つ以上の参照ポートレート画像から高品質でアニマタブルな4Dヘッドアバターを高速に構築する。 一定の数の入力ビューを必要とする既存のフィードフォワードアプローチとは異なり、FFAvatarはインクリメンタルな再構成をサポートし、追加の参照イメージが利用可能になるにつれて、アバター表現を徐々に洗練する。 提案手法のコアとなるのは,表情と視点の相違からアイデンティティの外観を遠ざけ,ポーズや表情の相反する正準3次元の外観を復元する,交代的な注意機構である。 視覚的忠実度と計算効率のバランスをとるために,スパース・トゥ・ディエンス学習パラダイムを導入する。 粗い外観特徴は、最初にFLAME頂点レベルに固定されたスパースプリミティブを用いて学習され、その後UV領域で密度化され、きめ細かい幾何学的およびテクスチャ的詳細を捉える。 さらに,パラメトリックな変形を超える残留運動をモデル化することにより,被験者固有の動的パーソナライズを可能にするプラグイン・アンド・プレイ・モーション・リファインメント・モジュールを提案する。 FFAvatarは高忠実で制御可能な4Dヘッドアバターを効率よく製造し、様々な表現や視点で優れた柔軟性、駆動効率、アイデンティティ一貫性のあるレンダリングを実現している。

関連論文リスト

• FHAvatar: Fast and High-Fidelity Reconstruction of Face-and-Hair Composable 3D Head Avatar from Few Casual Captures [13.76145751985277]
  任意の視点から顔と髪の成分を合成可能な3次元ガウスアバターを再構成するための新しいフレームワークであるFHAvatarについて述べる。 実験により、FHAvatarは数分で新しいアイデンティティを数回だけ観察することで、最先端の再構築品質を達成することが示された。
  論文  参考訳（メタデータ） (2026-03-24T15:43:54Z)
• GeoDiff4D: Geometry-Aware Diffusion for 4D Head Avatar Reconstruction [49.70452913749897]
  本稿では,高忠実度頭部アバター再構成のための,幾何学的拡散を利用した高精度な幾何学的先行学習フレームワークを提案する。 ポーズフリーな表現は暗黙的な表現をキャプチャするのに対し、我々はポートレート画像と対応する表面正規表現を共同で合成する。 本手法は, 視覚的品質, 表現忠実度, クロスアイデンティティの一般化において, 最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-02-27T16:41:21Z)
• InpaintHuman: Reconstructing Occluded Humans with Multi-Scale UV Mapping and Identity-Preserving Diffusion Inpainting [64.42884719282323]
  InpaintHumanは、モノクロビデオから高忠実で完全でアニマタブルなアバターを生成する新しい方法である。 我々のアプローチは、アイデンティティの忠実性を保証するために、直接ピクセルレベルの監視を採用する。
  論文  参考訳（メタデータ） (2026-01-05T13:26:02Z)
• FlexAvatar: Flexible Large Reconstruction Model for Animatable Gaussian Head Avatars with Detailed Deformation [52.919328336985636]
  高忠実度3次元頭部アバターのフレキシブル大再構成モデルFlexAvatarを提案する。 フレキシブルなインプットナンバー非依存、カメラ不要、表現自由なインプットをロバストな3D表現に集約する。 従来の手法よりも優れた3次元一貫性、詳細な動的リアリズムを実現する。
  論文  参考訳（メタデータ） (2025-12-19T15:51:44Z)
• GPAvatar: Generalizable and Precise Head Avatar from Image(s) [71.555405205039]
  GPAvatarは、1つの前方パスで1つまたは複数の画像から3Dヘッドアバターを再構築するフレームワークである。 提案手法は,忠実なアイデンティティ再構築,正確な表現制御,多視点一貫性を実現する。
  論文  参考訳（メタデータ） (2024-01-18T18:56:34Z)
• 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)
• One-Shot High-Fidelity Talking-Head Synthesis with Deformable Neural Radiance Field [81.07651217942679]
  トーキングヘッド生成は、ソース画像の識別情報を保持し、駆動画像の動作を模倣する顔を生成することを目的としている。 我々は高忠実かつ自由視点の対話ヘッド合成を実現するHiDe-NeRFを提案する。
  論文  参考訳（メタデータ） (2023-04-11T09:47:35Z)

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。