GaussianAvatar-Editor: Fotorealistische Animeerbare Gaussische Hoofd Avatar Editor

GaussianAvatar-Editor: Photorealistic Animatable Gaussian Head Avatar Editor

January 17, 2025

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

cs.AI

Samenvatting

We introduceren GaussianAvatar-Editor, een innovatief framework voor tekstgestuurde bewerking van animeerbare Gaussische hoofdavatars die volledig kunnen worden gecontroleerd in expressie, houding en gezichtspunt. In tegenstelling tot statische 3D Gaussische bewerking, brengt het bewerken van animeerbare 4D Gaussische avatars uitdagingen met zich mee met betrekking tot bewegingsocclusie en ruimtelijk-temporele inconsistentie. Om deze problemen aan te pakken, stellen we de Weighted Alpha Blending Equation (WABE) voor. Deze functie verbetert het menggewicht van zichtbare Gaussians terwijl het de invloed op niet-zichtbare Gaussians onderdrukt, waardoor bewegingsocclusie tijdens het bewerken effectief wordt afgehandeld. Bovendien, om de bewerkingskwaliteit te verbeteren en 4D consistentie te waarborgen, nemen we conditioneel adversariële training op in het bewerkingsproces. Deze strategie helpt om de bewerkte resultaten te verfijnen en consistentie gedurende de animatie te behouden. Door deze methoden te integreren, behaalt onze GaussianAvatar-Editor fotorealistische en consistente resultaten in animeerbare 4D Gaussische bewerking. We voeren uitgebreide experimenten uit over verschillende onderwerpen om de effectiviteit van onze voorgestelde technieken te valideren, wat de superioriteit van onze aanpak ten opzichte van bestaande methoden aantoont. Meer resultaten en code zijn beschikbaar op: [Project Link](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/).