ICCV 2025 | 清华IEDA提出GUAVA，单图创建可驱动的上半身3D化身！实时、高效，还能捕捉细腻的面部表情和手势。

从单张图片重建高质量、可动画化且面部与手部动作丰富的 3D 人体化身，应用前景广阔。但传统重建方法依赖多视角或单目视频，还要针对不同个体训练，复杂又耗时，且受 SMPLX 限制，难以捕捉面部表情。为解决这些问题，清华大学和 IDEA（粤港澳大湾区数字经济研究院）研究团队先引入富有表现力的人体模型（EHM）增强面部表现，开发精确跟踪方法，进而提出首个快速重建可动画化上半身 3D 高斯化身的框架 GUAVA。它借助逆纹理映射等技术推断模型，经优化后，在渲染质量和速度上表现优异，相关代码已开源。

介绍

创建逼真且富有表现力的上半身人体化身，例如包含细致的面部表情和丰富的手势，在电影、游戏和虚拟会议等领域具有重要价值 。同时，易于创建和支持实时渲染也是关键要求 。然而，仅凭单张图像实现这些目标仍然是一个的重大挑战 。

3D Gaussian splatting (3DGS) 的兴起催生了许多3D化身重建方法，它们利用 3DGS 实现实时、高质量的化身重建 。然而，这些方法仍然存在一些局限性 ：

• 逐ID练：每个个体都需要单独训练 。

• 训练复杂性：该过程耗时，需要标定的多视图或单目视频 。

• 表现力有限：头部重建方法缺乏身体动作表示，而全身方法则忽略了细致的面部表情 。

扩散模型在视频生成方面取得了显著成果 。一些工作通过添加额外条件，如关键点或 SMPLX渲染图，来引导扩散模型的生成过程，扩展了模型在生成可控人体动画视频上的应用。尽管这些方法实现了良好的视觉效果，但它们仍然面临一些局限性 ：

• ID一致性：难以保持一致的 ID，尤其是在姿势发生大变化时 。

• 效率：高计算成本和多步去噪导致推理速度慢，阻碍了实时应用 。

• 视点控制：2D 方法无法轻松调整相机姿势，从而限制了视点控制 。

我们提出了 GUAVA，第一个从单张图像创建可驱动上半身 3D高斯化身的框架。与需要多视图视频或单人训练的3D方法不同，GUAVA 可以在秒级时间内完成推理重建，并支持实时动画和渲染 。与基于扩散模型的2D方法相比，GUAVA使用 3D高斯来确保更好的ID一致性和实时渲染 。并引入一种富有表现力的人体模型EHM，解决了现有模型在捕捉细致面部表情方面的局限性 。还利用逆纹理映射技术以准确地预测高斯纹理，并结合一个神经渲染器来提高渲染质量 。通过充分的实验也展示了其在渲染质量和效率方面优于现有2D和3D方法 。

相关链接

• 论文地址: https://arxiv.org/pdf/2505.03351

• 项目主页：https://eastbeanzhang.github.io/GUAVA/

• 开源代码：https://github.com/Pixel-Talk/GUAVA

• 视频Demo: GUAVA: Generalizable Upper Body 3D Gaussian Avatar_哔哩哔哩_bilibili

方法

• EHM 模型与精确跟踪：为了解决SMPLX 模型在捕捉面部表情上的不足，GUAVA 引入了 EHM（Expressive Human Model）。EHM 结合了 SMPLX 和 FLAME 模型，能够实现更准确的面部表情表示 。同时我们设计了对应的通过两阶段追踪方法，实现从单张图像到姿态的准确估计。首先利用预训练模型进行粗略估计，然后使用 2D 关键点损失进行精细优化，从而为重建提供精确的姿势和表情参数 。

• 快速重建与双分支模型： GUAVA基于追踪后的图像通过单次前向推理方式完成化身的重建。它包含两个分支：一个分支根据 EHM 顶点和投影特征预测粗略的“模板高斯”，另一个分支则通过“逆纹理映射”技术，将屏幕特征映射到 UV 空间，生成捕捉精细细节的“UV 高斯”。这两种高斯组合成完整的 Ubody 高斯，从而在保持几何结构的同时，捕捉丰富的纹理细节。

• 实时动画与渲染：重建完成后，Ubody 高斯可以根据新的姿势参数进行变形和动画 。最后，通过神经细化器对渲染的图像进行优化，以增强细节和渲染质量 。

实验

实验设置

我们从 YouTube、OSX和 HowToSign收集视频数据集，主要关注人体上半身视频。其中训练集包含超过 62 万帧，测试集包含 58 个 ID 。为确保评估的全面性，实验采用了多种指标：自重演（self-reenactment）场景下，通过 PSNR、L1、SSIM 和 LPIPS 评估动画结果的图像质量 ；跨重演（cross-reenactment）场景下，使用 ArcFace 计算身份保留分数（IPS）以衡量 ID 一致性 。评估中与 MagicPose、Champ、MimicMotion 等2D方法以及 GART、GaussianAvatar 和 ExAvatar 3D方法进行比较。

定量结果

Self-reenactment：与 2D 方法相比，GUAVA 在所有指标（PSNR, L1​, SSIM, LPIPS）上均表现最佳，并在动画和渲染速度上达到约 50 FPS，而其他方法仅为每秒几帧 。与 3D 方法相比，GUAVA 的重建时间仅为 0.1 秒左右，而其他方法需要数分钟到数小时 。

Cross-reenactment：GUAVA 在身份保留分数（IPS）上显著优于其他所有 2D 方法，证明了其在不同姿势下保持 ID 一致性的能力 。

定性结果

尽管 2D 方法能生成高质量图像，但它们在保持 ID 一致性和准确恢复复杂手势及面部表情方面存在不足 。例如，Champ 的手部模糊 ，MagicPose 存在失真 ，而 MimicMotion 则无法保持 ID 一致性 。3D 方法在处理精细的手指和面部表情方面存在困难，也缺乏泛化能力，在未见区域或极端姿势下会产生伪影 。GUAVA 则能对未见区域生成合理的结果，在极端姿势下表现出更好的鲁棒性，并提供更准确、更细致的手部和面部表情 。

消融实验

为了验证方法中各个部分的有效性，在论文中进行了充分的消融实验。

论文总结

该论文介绍了 GUAVA，一个用于从单张图像重建可动画、具有细腻表现力上半身 3D化身的快速框架 。研究通过引入 EHM 模型及其精确跟踪方法，增强了面部表情、形状和姿势的捕捉能力 。论文通过UV 高斯和模板高斯的两个推理分支共同构建一个上半身高斯 。实验结果表明，GUAVA 在渲染质量和效率方面均优于现有方法 。它实现了约 0.1 秒的重建时间，并支持实时动画和渲染 。