論文の概要: EGGHead: Efficient Generalizable Gaussian Heads from a Single Image

• arxiv url: http://arxiv.org/abs/2610.26898v1
• Date: Fri, 16 Oct 2026 19:08:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.378837
• Title: EGGHead: Efficient Generalizable Gaussian Heads from a Single Image
• Title（参考訳）: EGGHead:1枚の画像から得られる効率的な一般化可能なガウス的頭部
• Abstract要約: 本稿では,人間の頭部をリアルタイムレンダリングで作成するための新しい手法EGGHeadを提案する。 提案アルゴリズムは,表現力への影響を最小限に抑えつつ,必要なガウス数を削減する。 EGGHeadは、単一のフォワードパスで動作し、以前の単一イメージの顔モデリング手法よりも、再現性、新しいビュー合成、レンダリング速度が優れている。
• 参考スコア（独自算出の注目度）: 14.260248127390168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Creating photorealistic human heads typically involves trade-offs between representation power, efficiency, and generalizability. Traditional mesh-based solutions relying on 3DMMs generally sacrifice representation power but are efficient to render. On the other hand, NeRF-based methods improve representation power and fidelity while sacrificing efficiency. Gaussian splatting methods attempt to resolve these trade-offs by offering both high representation power and efficiency with real-time rendering. However, their efficiency nonetheless depends on the number of rasterized Gaussians, and the time needed to optimize and prepare the head (the enrollment time) is often high. In light of this, we propose EGGHead, which introduces a novel Gaussian allocation algorithm that efficiently assigns Gaussians to the head's semantic regions given a fixed Gaussian budget. Our algorithm reduces the number of Gaussians needed while minimizing the impact on representation power. EGGHead operates in a single forward pass and outperforms previous single-image face modeling methods in reconstruction quality, novel view synthesis, and rendering speeds.
• Abstract（参考訳）: フォトリアリスティックな人間の頭を作ることは、典型的には表現力、効率性、一般化可能性の間のトレードオフを伴う。 3DMMに依存する従来のメッシュベースのソリューションは、一般的に表現力を犠牲にするが、レンダリングは効率的である。 一方、NeRF法は効率を犠牲にしつつ、表現力と忠実性を向上する。 ガウススプラッティング法は、高表現力と高効率の両方をリアルタイムレンダリングで提供することにより、これらのトレードオフを解決する。 しかしながら、その効率はラスタ化ガウシアンの数に依存するため、ヘッドの最適化と準備に要する時間(入場時間)は高いことが多い。 そこで我々は,ガウスの予算が固定されたガウスのセマンティック領域に効率的にガウスを割り当てる新しいガウス割当てアルゴリズムEGGHeadを提案する。 提案アルゴリズムは,表現力への影響を最小限に抑えつつ,必要なガウス数を削減する。 EGGHeadは、単一のフォワードパスで動作し、以前の単一イメージの顔モデリング手法よりも、再現性、新しいビュー合成、レンダリング速度が優れている。

関連論文リスト

• 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)
• Generalizable and Animatable Gaussian Head Avatar [50.34788590904843]
  本稿では,GAGAvatar(Generalizable and Animatable Gaussian Head Avatar)を提案する。 我々は、1つの前方通過で1つの画像から3次元ガウスのパラメータを生成する。 提案手法は, 従来の手法と比較して, 再現性や表現精度の点で優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-10T14:29:00Z)
• GES: Generalized Exponential Splatting for Efficient Radiance Field Rendering [112.16239342037714]
  GES(Generalized Exponential Splatting)は、GEF(Generalized Exponential Function)を用いて3Dシーンをモデル化する斬新な表現である。 周波数変調損失の助けを借りて、GESは新規なビュー合成ベンチマークにおいて競合性能を達成する。
  論文  参考訳（メタデータ） (2024-02-15T17:32:50Z)

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。