GaussianAvatar-Editor: Fotorealistischer animierbarer Gauss'scher Kopf-Avatar-Editor

GaussianAvatar-Editor: Photorealistic Animatable Gaussian Head Avatar Editor

January 17, 2025

Autoren: Xiangyue Liu, Kunming Luo, Heng Li, Qi Zhang, Yuan Liu, Li Yi, Ping Tan

cs.AI

Zusammenfassung

Wir stellen den GaussianAvatar-Editor vor, ein innovatives Framework für textgesteuertes Bearbeiten von animierbaren Gauß'schen Kopf-Avataren, die vollständig in Ausdruck, Pose und Blickwinkel gesteuert werden können. Im Gegensatz zur statischen 3D-Gauß-Bearbeitung stellen animierbare 4D-Gauß-Avatare Herausforderungen im Zusammenhang mit Bewegungsokklusion und räumlich-zeitlicher Inkonsistenz dar. Um diese Probleme zu lösen, schlagen wir die Weighted Alpha Blending Equation (WABE) vor. Diese Funktion verbessert das Mischgewicht sichtbarer Gauß'scher Funktionen, während sie den Einfluss auf nicht sichtbare Gauß'sche Funktionen unterdrückt, um Bewegungsokklusion während der Bearbeitung effektiv zu handhaben. Darüber hinaus integrieren wir bedingtes adversariales Lernen in den Bearbeitungsprozess, um die Bearbeitungsqualität zu verbessern und 4D-Konsistenz sicherzustellen. Diese Strategie hilft dabei, die bearbeiteten Ergebnisse zu verfeinern und die Konsistenz während der Animation aufrechtzuerhalten. Durch die Integration dieser Methoden erzielt unser GaussianAvatar-Editor fotorealistische und konsistente Ergebnisse in der animierbaren 4D-Gauß-Bearbeitung. Wir führen umfassende Experimente mit verschiedenen Probanden durch, um die Wirksamkeit unserer vorgeschlagenen Techniken zu validieren, was die Überlegenheit unseres Ansatzes gegenüber bestehenden Methoden zeigt. Weitere Ergebnisse und Code sind verfügbar unter: [Projektlink](https://xiangyueliu.github.io/GaussianAvatar-Editor/).

English

We introduce GaussianAvatar-Editor, an innovative framework for text-driven editing of animatable Gaussian head avatars that can be fully controlled in expression, pose, and viewpoint. Unlike static 3D Gaussian editing, editing animatable 4D Gaussian avatars presents challenges related to motion occlusion and spatial-temporal inconsistency. To address these issues, we propose the Weighted Alpha Blending Equation (WABE). This function enhances the blending weight of visible Gaussians while suppressing the influence on non-visible Gaussians, effectively handling motion occlusion during editing. Furthermore, to improve editing quality and ensure 4D consistency, we incorporate conditional adversarial learning into the editing process. This strategy helps to refine the edited results and maintain consistency throughout the animation. By integrating these methods, our GaussianAvatar-Editor achieves photorealistic and consistent results in animatable 4D Gaussian editing. We conduct comprehensive experiments across various subjects to validate the effectiveness of our proposed techniques, which demonstrates the superiority of our approach over existing methods. More results and code are available at: [Project Link](https://xiangyueliu.github.io/GaussianAvatar-Editor/).