Drivable 3D Gaussian Avatars 论文笔记 主要的算法架构和贡献是什么？如何使用这个deformation 呢？ 主要的算法架构和贡献是什么？ 这篇文章主要使用了两个当前流行的概念，一是3D高斯溅射，二是cage-based deformation。 这篇文章主要是通过多视角视频来实现逼真的人体三维建模 （3D Human Avatar modelin

[paper | proj] 给定FLAME，基于每个三角面片中心初始化一个3D Gaussian（3DGS）；当FLAME mesh被驱动时，3DGS根据它的父亲三角面片，做平移、旋转和缩放变化；3DGS可以视作mesh上的辐射场；为实现高保真的avatar，本文提出一种蒙皮（binding）继承策略，在优化过程中，保持蒙皮对3DGS的控制；本文贡献如下： 提出GaussianAvatar

[paper | code | proj] 本文的形变方法被成为：Forward DeformationPointAvatar基于点云表征动态场景。目标是根据给定的一段单目相机视频，重建目标的数字人，并且数字人可驱动；通过标定空间（canonical space）和形变空间（deformation space）表征场景。其中，标定空间中的任意点坐标，首先映射至FLAME空间，通过对应FL

[paper | proj] 给定FLAME，基于每个三角面片中心初始化一个3D Gaussian（3DGS）；当FLAME mesh被驱动时，3DGS根据它的父亲三角面片，做平移、旋转和缩放变化；3DGS可以视作mesh上的辐射场；为实现高保真的avatar，本文提出一种蒙皮（binding）继承策略，在优化过程中，保持蒙皮对3DGS的控制；本文贡献如下： 提出GaussianAvatar