Video Diffusion Avatars：将视频扩散模型转化为可控 3D 虚拟化身

基于摘要分析。该研究面向单图像驱动的写实 3D 虚拟化身生成，提出 Video Diffusion Avatars（VDAs），通过微调视频扩散模型（VDM），实现对相机视角、面部表情与上半身姿态的独立控制，并追求跨视角一致性。其主要研究对象是视觉生成与头像重演，而非神经信号解码或 BCI。 方法利用互联网规模数据预训练 VDM 中的外观、运动与物理先验，以学习得到的表情空间替代 3D morphable models（3DMMs）的表情表示，旨在扩展舌头、口腔内部等细节的表达能力。作者报告，其 DISTRACT benchmark 揭示了学习式表情编码中的显著视角偏置，并称通过解耦可去除该偏置，使表情编码能够作为多视角一致头像的驱动信号。相机与上半身姿态共同通过代理网格渲染提供条件，配合表情编码实现三类控制因素的独立调节；具体解耦目标和训练损失尚未验证。 训练采用相机三元组策略。作者报告，仅使用公开多视角数据，在单张 A100 上训练耗时 34 小时；摘要未列出训练数据集组成及划分。在 BecomingLit 的新视角重演评估中，相对于所比较的单图像 3D 虚拟化身方法，作者报告面部 LPIPS 降低 29%，感知质量 JOD 提升 66%；具体基线、指标汇总方式与统计不确定性尚未验证。作者还通过静态 3DGS 重建探针评估多视角一致性，并报告其生成结果在所比较方法中表现最佳。 作者展示或主张的生成能力还包括物理上合理的头发动态、阴影、反射和折射，但这些效果的评估条件需核对全文。复现时应重点核对预训练 VDM、表情编码与解耦实现、相机三元组采样方式、代理网格构建及评估协议。实验协议、消融及统计信息尚未验证；摘要未提供与 EEG/BCI 的直接机制对应，因此不据此提出神经信号迁移结论。