单图秒建逼真人头！EGGHead一次前向传递，重建质量和渲染速度双双碾压此前方法
EGGHead: Efficient Generalizable Gaussian Heads from a Single Image
📖 AI 总结
该论文提出EGGHead方法，旨在从单张图像高效生成可泛化的逼真三维人头模型。研究背景在于现有方案难以兼顾表示能力、效率与泛化性：基于3DMM的网格方法渲染高效但表示能力有限，NeRF类方法保真度高但效率低，高斯泼溅方法虽实现实时渲染，但其效率仍受高斯数量制约，且头部优化与准备时间较长。为此，作者设计了一种新的高斯分配算法，在固定高斯预算下将高斯高效分配至头部的语义区域，从而在尽量不影响表示能力的前提下减少所需高斯数量。EGGHead仅需一次前向传播即可完成，在重建质量、新视角合成和渲染速度上均优于以往的单图像人脸建模方法。
🔑 关键词速览
| 3DMM | 三维可变形模型，一种基于统计的人脸三维建模方法，通过主成分分析表示人脸形状和表情变化。 |
| NeRF | 神经辐射场，一种利用神经网络从多视角图像中重建三维场景并合成新视角的方法。 |
| Gaussian splatting | 高斯泼溅，一种基于高斯点云的三维场景表示和渲染技术，支持实时高质量渲染。 |
| enrollment time | 注册时间，指优化和准备头部模型所需的时间，即从输入到生成可用模型的处理时间。 |
| novel view synthesis | 新视角合成，指从已有视角的图像生成未见过视角的图像，用于评估三维重建模型的泛化能力。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅