⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-06-21 更新
Deblur-Avatar: Animatable Avatars from Motion-Blurred Monocular Videos
Authors:Xianrui Luo, Juewen Peng, Zhongang Cai, Lei Yang, Fan Yang, Zhiguo Cao, Guosheng Lin
We introduce a novel framework for modeling high-fidelity, animatable 3D human avatars from motion-blurred monocular video inputs. Motion blur is prevalent in real-world dynamic video capture, especially due to human movements in 3D human avatar modeling. Existing methods either (1) assume sharp image inputs, failing to address the detail loss introduced by motion blur, or (2) mainly consider blur by camera movements, neglecting the human motion blur which is more common in animatable avatars. Our proposed approach integrates a human movement-based motion blur model into 3D Gaussian Splatting (3DGS). By explicitly modeling human motion trajectories during exposure time, we jointly optimize the trajectories and 3D Gaussians to reconstruct sharp, high-quality human avatars. We employ a pose-dependent fusion mechanism to distinguish moving body regions, optimizing both blurred and sharp areas effectively. Extensive experiments on synthetic and real-world datasets demonstrate that our method significantly outperforms existing methods in rendering quality and quantitative metrics, producing sharp avatar reconstructions and enabling real-time rendering under challenging motion blur conditions.
我们引入了一种新型框架，用于从运动模糊的单目视频输入中建立高保真、可动画的3D人类化身。运动模糊在真实世界的动态视频捕捉中普遍存在，特别是在3D人类化身建模中。现有方法要么（1）假设图像输入是清晰的，无法处理运动模糊引入的细节损失，要么（2）主要考虑由相机运动引起的模糊，而忽略了在可动画化身中更常见的运动模糊。我们提出的方法将基于人类运动的运动模糊模型集成到3D高斯拼贴（3DGS）中。通过显式建模曝光时间内的人类运动轨迹，我们联合优化轨迹和3D高斯分布，以重建清晰、高质量的人类化身。我们采用姿态依赖的融合机制来区分移动的身体区域，有效地优化模糊和清晰区域。在合成和真实世界数据集上的大量实验表明，我们的方法在渲染质量和定量指标方面显著优于现有方法，能够产生清晰的化身重建，并在具有挑战性的运动模糊条件下实现实时渲染。
论文及项目相关链接
Summary
高性能动态视频下的虚拟人模型建立研究介绍了如何从具有运动模糊的单目视频输入中构建高质量的可动态控制的3D人类角色模型。该研究解决了现有方法无法处理运动模糊导致的细节损失的问题，通过整合基于人类运动的模糊模型与3D高斯飞溅技术来重建清晰的高质量角色模型。并通过对运动中姿态的不同区域的模糊情况进行融合和优化来达到提升模型表现的效果。在合成和真实数据集上的实验表明，该方法在渲染质量和定量指标上显著优于现有方法，可在运动模糊条件下实现清晰的角色重建和实时渲染。
Key Takeaways
- 介绍了一种从运动模糊的单目视频输入中构建高质量的可动态控制的3D人类角色模型的新框架。
- 该框架解决了现有方法无法处理运动模糊导致的细节损失的问题。
- 通过整合基于人类运动的模糊模型和3D高斯飞溅技术来提高重建角色模型的清晰度。
- 姿态相关的融合机制能区分移动身体区域，优化模糊和清晰区域的融合效果。
- 实验证明该方法在渲染质量和定量指标上显著优于现有方法。
点此查看论文截图
