Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

ScaffoldAvatar: High-Fidelity Gaussian Avatars with Patch Expressions

Created by
  • Haebom

저자

Shivangi Aneja, Sebastian Weiss, Irene Baeza, Prashanth Chandran, Gaspard Zoss, Matthias Nie{\ss}ner, Derek Bradley

개요

본 논문은 초고해상도의 사실적인 3D 헤드 아바타의 실시간 애니메이션 생성에 초점을 맞추고 있습니다. 특히, 미세한 얼굴 표정과 움직임을 표현하기 위해 국소적으로 정의된 얼굴 표정과 3D Gaussian splatting을 결합하는 새로운 방법을 제안합니다. 기존의 전역 표정 공간 기반 방법과 달리, 패치 기반의 국소 표정 특징을 활용하여 아바타의 역동성을 조절하고, 패치 단위로 3D Gaussian을 합성합니다. 패치 기반의 기하학적 3D 얼굴 모델을 이용하여 패치 표정을 추출하고, Scaffold-GS라는 계층적 장면 표현의 앵커 포인트와 패치를 결합하여 국소적인 피부 외관과 움직임을 학습합니다. 이러한 앵커 포인트는 패치 표정과 시점에 따라 3D Gaussian을 실시간으로 합성하는 데 사용됩니다. 색상 기반 밀도 증가 및 점진적 학습을 통해 고품질 결과와 빠른 수렴을 달성하며, 3K 고해상도 이미지를 사용하여 훈련합니다. 패치 수준의 표정을 활용함으로써, ScaffoldAvatar는 다양한 얼굴 표정과 스타일을 실시간으로 포괄하면서 시각적으로 자연스러운 움직임으로 최첨단 성능을 달성합니다.

시사점, 한계점

•
시사점:
◦
패치 기반 국소 표정 특징을 활용하여 고해상도, 사실적인 3D 헤드 아바타의 실시간 애니메이션 생성을 위한 새로운 방법 제시.
◦
기존 방법보다 시각적으로 자연스러운 움직임과 다양한 표정 표현 가능.
◦
Scaffold-GS와의 결합을 통해 효율적인 실시간 렌더링 구현.
◦
고해상도 이미지 훈련을 위한 색상 기반 밀도 증가 및 점진적 학습 기법 제시.
•
한계점:
◦
3K 고해상도 이미지를 사용한 훈련으로 인한 높은 계산 자원 요구량.
◦
패치 기반 접근 방식의 한계로 인해 일부 미세한 표정 표현의 정확도 저하 가능성.
◦
다양한 조명 및 배경 환경에 대한 일반화 성능 평가 부족.
◦
장기간의 애니메이션 생성 시 발생할 수 있는 누적 오차에 대한 분석 부족.
👍
Made with Slashpage