S-Avatar: Diffusion-Guided Gaussian Head Avatars from a Single Image

📄 arXiv: 2607.28164v1 📥 PDF

作者: Hail Song, Seokhwan Yang, Jiwon Yang, Woojin Cho, Woontack Woo

分类: cs.CV, cs.GR

发布日期: 2026-07-30

备注: 15 pages, 12 figures

🔗 代码/项目: GITHUB

💡 一句话要点

提出S-Avatar以解决单图生成3D头像一致性问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱七：动作重定向 (Motion Retargeting)

关键词: 3D头像生成 扩散模型 高斯点云 虚拟现实 FLAME模型 实时渲染 一致性

📋 核心要点

  1. 现有的单图3D头像重建方法在不同视角下难以保持3D一致性，影响了虚拟现实应用的真实感。
  2. S-Avatar通过扩散引导的高斯点云生成和FLAME模型的结合，提出了一种三阶段的头像生成管道。
  3. 实验结果表明，S-Avatar在新视角和表情生成上优于现有方法，提升了真实感和一致性。

📝 摘要（中文）

我们提出了S-Avatar，这是一种新颖的方法，通过扩散引导的3D模型生成模块和3D高斯点云动画策略，从单幅图像生成逼真的3D头像。现有的单图头像重建方法在未见视角下往往难以保持3D一致性。S-Avatar通过三阶段管道解决了这一限制。首先，利用扩散基础的高斯点云生成模块直接从单幅图像合成高分辨率的3D高斯点云。接着，通过优化参数和空间变换，将参数化头模型FLAME与生成的3D高斯点云对齐。最后，构建绑定模板以编码初始点云与FLAME之间的空间关系，从而实现动态3D头像的实时渲染。我们的评估表明，S-Avatar在新视角和表情生成方面超越了现有最先进的方法，展现出更高的真实感和一致性。

🔬 方法详解

问题定义：本论文旨在解决从单幅图像生成3D头像时，现有方法在未见视角下难以保持3D一致性的问题。

核心思路：S-Avatar的核心思路是结合扩散引导的高斯点云生成与FLAME模型，通过三阶段流程实现高效准确的3D头像重建。

技术框架：整体架构包括三个主要阶段：首先，从单幅图像生成高分辨率的3D高斯点云；其次，优化FLAME模型以与生成的3D高斯点云对齐；最后，构建绑定模板以适应FLAME的变形，实现动态头像的实时渲染。

关键创新：S-Avatar的关键创新在于将扩散引导的3D高斯点云生成与FLAME模型的控制相结合，显著提高了生成头像的3D一致性和真实感。

关键设计：在设计中，采用了优化参数和空间变换的方法来对齐FLAME模型，并通过绑定模板编码初始点云与FLAME之间的空间关系，以实现动态变形。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，S-Avatar在新视角和表情生成任务中，相较于现有最先进的方法，提升了真实感和一致性，具体性能数据表明，生成的头像在多个公共数据集上表现优异，具有显著的提升幅度。

🎯 应用场景

该研究在虚拟现实和增强现实应用中具有广泛的潜在应用价值。通过生成高质量的3D头像，S-Avatar可以用于社交媒体、游戏开发以及虚拟会议等领域，提升用户体验和交互性。

📄 摘要（原文）

We propose S-Avatar, a novel method for generating photorealistic 3D head avatars from a single image using a diffusion-guided 3D model generation module and strategies for animating 3D Gaussian Splatting (3DGS). While single-image head avatar reconstruction is crucial for lifelike Virtual Reality (VR) applications, existing approaches often struggle to preserve 3D consistency under unseen viewpoints. S-Avatar addresses this limitation through a three-stage pipeline. First, a high-resolution 3DGS is synthesized directly from a single image using a diffusion-based Gaussian splat generation module. Next, the parametric head model FLAME is aligned with the generated 3DGS by optimizing its parameters and spatial transformations. Finally, to adapt the 3DGS to FLAME variations, we construct a binding template that encodes the spatial relationship between the initial splats and FLAME. The dynamic 3D head avatar can then be rendered in real time by deforming the 3DGS with the binding template. By combining diffusion-guided canonical 3DGS generation with FLAME-based control, our method achieves efficient and accurate reconstruction with enhanced 3D consistency. Evaluations on public datasets demonstrate that S-Avatar outperforms state-of-the-art methods in novel-view and expression generation, achieving superior realism and consistency. Consequently, our approach represents a significant advance in accessible avatar creation, applicable to a wide range of VR/AR applications. The project page is available at https://github.com/hailsong/savatar.