论文笔记：Deformable 3D Gaussian Splatting for Animatable Human Avatars

重点：

1. 处理超出SMPL顶点的变形
2. 无掩码训练，自动分离人和背景

1.初始化

背景——初始化球面上随机点，用i=b标记父类；

人类——使用SMPL生成参数化网格，每个网格面中心作为初始化高斯，并分配好父索引i和表面法线n。

2.变形

（1）根据父级（SMPL顶点）变形。比较给定姿势和标准姿势的网格，得到顶点变形矩阵Dt，根据该矩阵变形高斯。

（2）MLP对高斯校准。MLP采用高斯 Pi 中心与 SMPL模型的人体关节Jt之间的距离来预测上一步变形的残余细化（变形矩阵Dr）。

3.更新高斯

高斯被更新时，会被变回标准空间，依次应用两个矩阵的逆。当高斯数量增加时，父索引被传递给新的高斯。根据距离，每1000次迭代更新一次父分配。据表面距离远于阈值的高斯分配给背景。