論文の概要: Learning Semantic Inpainting for Animatable Gaussian Head Avatars

• arxiv url: http://arxiv.org/abs/2609.38343v1
• Date: Tue, 29 Sep 2026 18:07:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.560623
• Title: Learning Semantic Inpainting for Animatable Gaussian Head Avatars
• Title（参考訳）: アニマタブルガウスヘッドアバターのセマンティック・インペインティングの学習
• Abstract要約: SInGAは1枚の画像からガウスの頭部アバターのセマンティック・インペインティングを学習する新しい手法である。 未観測の顔領域を完結させるためにUV空間で定義されたセマンティック・インパインティング・フレームワークを提案する。 実験結果より, 完全性, アイデンティティの保存性が向上し, 高品質な頭部アバターを製造できることが示唆された。
• 参考スコア（独自算出の注目度）: 3.7405175747183286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present SInGA, a novel method for learning Semantic Inpainting for animatable Gaussian head Avatars from a single image. Existing avatar approaches often rely on multi-view observations and lack effective handling of unobserved regions in single-view settings, limiting their applicability in such scenarios. To address this, we propose a semantic inpainting framework defined in UV space for completing unobserved facial regions. Our key insight lies in the structured topology of the UV representation, which provides consistent spatial correspondences and enables reliable completion of identity-specific features using the inherent symmetry cues of human faces. We extract features from observed regions and use them to complete unobserved regions. The completed representation is then used to regress Gaussian attributes, effectively performing Gaussian inpainting. In addition, instead of relying on a single Gaussian at each surface or pixel location, we stack multiple Gaussians to enhance detail. The resulting avatar generalizes across identities without requiring per-identity optimization and can be animated with driving inputs. Experimental results show that our method generates high-quality head avatars with improved completeness and identity preservation, while supporting realistic animation and consistent rendering from unobserved views.
• Abstract（参考訳）: 本稿では,1枚の画像からガウスの頭部アバターのセマンティック・インペインティングを学習するための新しい手法であるSInGAを提案する。 既存のアバターアプローチは、しばしばマルチビューの観測に依存し、単一のビュー設定で観測されていない領域を効果的に扱うことができず、そのようなシナリオにおける適用性を制限している。 そこで本稿では,未観測の顔領域を完成させるために,UV空間で定義されたセマンティック・インパインティング・フレームワークを提案する。 我々の重要な洞察は、UV表現の構造的トポロジーにある。これは、一貫した空間対応を提供し、人間の顔の固有の対称性を使って、アイデンティティ固有の特徴の信頼性の高い完成を可能にする。 観測領域から特徴を抽出し,未観測領域の完成に利用する。 完成した表現はガウスの属性を回帰するために使用され、効果的にガウスの彩色を行う。 さらに、各面や画素位置において1つのガウスを頼らずに、複数のガウスを積み重ねて詳細を強化する。 結果として得られるアバターは、アイデンティティごとの最適化を必要とせず、複数のIDを一般化し、ドライブ入力でアニメーションできる。 実験結果から,本手法は高画質な頭部アバターを生成でき,完全性やアイデンティティの保存性が向上し,リアルなアニメーションと非観測ビューからの一貫したレンダリングがサポートされた。

関連論文リスト

• DipGuava: Disentangling Personalized Gaussian Features for 3D Head Avatars from Monocular Video [56.39805581764342]
  DipGuavaは、モノクロビデオからパーソナライズされた属性を持つアバターを生成する新しい3Dガウスの頭部アバター作成方法である。 顔の外観を2つの相補的な構成要素に明示的に切り離し、構造化された2段階のパイプラインで訓練する最初の方法である。 広汎な実験で示されるように、視覚的品質と量的性能の両方において、従来手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2026-03-30T03:50:23Z)
• CaricatureGS: Exaggerating 3D Gaussian Splatting Faces With Gaussian Curvature [13.47263744740423]
  顔のための制御可能で制御可能な3Dキャラクタライゼーションフレームワークを紹介する。 我々は3Dガウススティング(3DGS)を利用しており、これは近年、現実的な自由視点アバターを生み出すことが示されている。
  論文  参考訳（メタデータ） (2026-01-06T13:56:28Z)
• NPGA: Neural Parametric Gaussian Avatars [46.52887358194364]
  マルチビュー映像記録から高忠実度制御可能なアバターを作成するためのデータ駆動方式を提案する。 我々は,高効率なレンダリングのための3次元ガウススプラッティングの手法を構築し,点雲のトポロジカルな柔軟性を継承する。 提案手法をNeRSembleデータセット上で評価し,NPGAが従来の自己再現タスクの2.6PSNRよりも有意に優れていたことを示す。
  論文  参考訳（メタデータ） (2024-05-29T17:58:09Z)
• GAvatar: Animatable 3D Gaussian Avatars with Implicit Mesh Learning [60.33970027554299]
  ガウススプラッティングは、明示的(メッシュ)と暗黙的(NeRF)の両方の3D表現の利点を利用する強力な3D表現として登場した。 本稿では,ガウススプラッティングを利用してテキスト記述から現実的なアニマタブルなアバターを生成する。 提案手法であるGAvatarは,テキストプロンプトのみを用いて,多様なアニマタブルアバターを大規模に生成する。
  論文  参考訳（メタデータ） (2023-12-18T18:59:12Z)
• GaussianAvatar: Towards Realistic Human Avatar Modeling from a Single Video via Animatable 3D Gaussians [51.46168990249278]
  一つのビデオから動的に3D映像を映し出すリアルな人間のアバターを作成するための効率的なアプローチを提案する。 GustafAvatarは、公開データセットと収集データセットの両方で検証されています。
  論文  参考訳（メタデータ） (2023-12-04T18:55:45Z)
• Spatial Steerability of GANs via Self-Supervision from Discriminator [123.27117057804732]
  本稿では,GANの空間的ステアビリティを向上させるための自己教師型アプローチを提案する。 具体的には、空間帰納バイアスとして生成モデルの中間層に符号化されるランダムなガウス熱マップを設計する。 推論中、ユーザは直感的に空間のヒートマップと対話し、シーンのレイアウトを調整したり、移動したり、オブジェクトを削除したりすることで、出力画像を編集することができる。
  論文  参考訳（メタデータ） (2023-01-20T07:36:29Z)

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。