论文笔记：GaussianBody

基本的结构还是不变：以SMPL顶点初始化3D高斯->利用SMPL模型中的顶点变换将3D高斯变形到姿势空间->Splatting过程

创新点：

1.在高斯从标准空间转换到姿势空间时，引入三个损失函数约束高斯的变形。（搬用Dynamic 3D Gaussians）

2.两个优化策略：1）把SMPL模型姿势参数加到需要更新的参数中；2）增加点云（3D高斯）的密度——缩放值大于阈值的高斯分裂成两个。

三个损失函数：

由Dynamic 3D Gaussians论文提出。

1）local-rigidity loss Lrigid（局部刚性损失）

表达式：

约束当高斯i变换时，附近的高斯j应该这样移动：

Dynamic 3D Gaussians图

GaussianBody图

2）local-rotation similarity Lrot losses（局部旋转相似度损失） 

虽然刚性损失确保高斯 i 和高斯 j 共享相同的旋转，但旋转损失可以增强收敛性，以在两个空间中的相邻高斯之间明确强制执行相同的旋转。表达式：

 q 是每个高斯旋转的归一化四元数表示。

3）local-isometry loss（局部等距损失）

前面两个损失在短期执行，可能会导致场景元素偏离，因此长期应用第三种损失。这是一个比刚性损失约束力更弱的损失，因为它不约束两个高斯间的位置，只约束两个高斯间的距离。表达式：

两个优化策略

1）增加高斯

由于是单视角输入，重建点云（3D高斯）可能过于稀疏，导致高斯过大或出现伪影。因此提出，当代表缩放的向量s大于阈值，则将该高斯分解为两个相同的高斯。

2）姿势修正

将 SMPL 姿势参数 θ 指定为优化参数，并在定义的损失的指导下通过优化过程对其进行细化。（没看到具体的）