创新点:
1.把人体模型的蒙皮变形从SMPL顶点扩展到标准空间的任意位置。
2.SE(3) field 捕获高斯分布的位置和各向异性。(非刚性变形)
3.不优化每个高斯颜色,而提出神经颜色场隐式正则附近高斯的颜色并且为高斯均值提供3D监督。
4.初始化高斯使用MSB提出的方法。
Compare to NeRF-for-human:
- Splatting比NeRF的光线追踪快得多。
- NeRF大多会执行反向蒙皮变形以进行规范化,由于射线上的点位于观察空间,会产生模糊的多重解。高斯splatting则是正向蒙皮变换。
- 高斯不同于网格,不受拓扑约束。
问题表述:
给定一组图像和对应的前景mask、对应的SMPL姿势参数以及初始SMPL形状参数。
恢复SMPL形状参数,每顶点的变形D,每帧的身体姿态和相机外参,以及一组高斯函数。
3D 高斯位于规范空间转换到观察空间以跨帧渲染主体。
扩展蒙皮到任意位置:
对SMPL顶点的蒙皮变换:
扩展到任意位置的点:
这样实现对规范空间中任意高斯的刚性运动建模。
非刚性变形:
对变形到姿势空间的高斯,再一次仿射变换。仿射变换的变换矩阵和平移向量通过MLP预测:
输入的是位置编码和姿态特征(SMPL模型使用的,因为姿态参数与空间坐标都有低频偏差。)
神经颜色场:
本来是为每个高斯独立地分配球谐系数(颜色)。但对于结合姿势联合优化的动态场景,每高斯颜色可能过度拟合训练帧,导致虚假纹理伪影。
因此将高斯颜色建模为由 MLP 表示的神经颜色场:
初始化高斯:
恢复粗糙的 SMPL+D (每个顶点的偏移矩阵 D)网格和每个面的颜色。
来源:(可以提供快速的人体模型表面点的初始化)
Mesh Strikes Back: Fast and Efficient Human Reconstruction from RGB videos
从这个粗略优化的网格的表面采样 20000 个点,并将相关的面颜色作为高斯分布。采样的位置和颜色对用于通过监督学习来训练神经颜色场。