Компьютерная наука > Компютерное видение и распознавание шаблона [представлено 7 октября 2026 года] Название: GHARP: В реальном масштабе времени Головой гейминг из Microsive Reconstruction PDF HTML (экспериментальный) резюме: Мы представляем GHAP (Реальная анимация головы гаусса в случае крупномасштабного восстановления, приор), метод, который показывает 3D голов человека в режиме реального времени с нескольких вводимых изображений предмета и сигнал выражения. Мы распределим проблему на этап идентификации, который создаёт представление геометрии и внешнего вида субъекта в режиме офлайн, а также этап анимации, которая предсказывает остатки экспресс-зависимости сверху, во время работы. Такое разделение обеспечивает благоприятный компромисс в отношении верности, качества и рабочего времени: этап идентификации может быть дорогостоящим, тогда как анимация представляет собой легковесную сеть, оптимизированную для мобильных устройств. Наш метод выполняет анимацию в семантически структурированном латентном пространстве заранее подготовленной модели восстановления, где изменения выражения остаются пространственно-непрерывными и делают остаточное прогнозирование эффективным. Этот предпоследний этап реконструкции обеспечивает последовательность пространственной планировки, что позволяет слиться множественными входных просмотрами в компактное каноническое представление фиксированного размера. Хотя эта двухэтапная схема улучшает компромисс по качеству рабочего времени, она все же…
GHARP: Гассия-руководитель в режиме реального времени
arXiv:2610 10945v1 Annuate Type: новый резюме: Мы представляем GHARP (Реальная анимация Головы Гаусса из крупномасштабного реконструктора), метод, позволяющий в реальном времени оживить 3D головы человека с нескольких вводных изображений объекта и сигнал вождения. Мы распределим проблему на этап идентификации, который создаёт представление геометрии и внешнего вида субъекта в режиме офлайн, а также этап анимации, которая предсказывает остатки экспресс-зависимости сверху, во время работы. Такое разделение обеспечивает благоприятный компромисс в отношении верности, качества и рабочего времени: этап идентификации может быть дорогостоящим, тогда как анимация представляет собой легковесную сеть, оптимизированную для мобильных устройств. Наш метод выполняет анимацию в семантически структурированном латентном пространстве заранее подготовленной модели восстановления, где изменения выражения остаются пространственно-непрерывными и делают остаточное прогнозирование эффективным. Этот предпоследний этап реконструкции обеспечивает последовательную пространственную планировку, позволяющую синтезировать множественные входные точки зрения.