TaoHeadVerse：超越表征混淆的富表现力全头部虚拟化身学习

基于摘要分析。TaoHeadVerse 面向移动 XR 与远程临场，研究如何从一张或少量肖像生成可动画化、可高效渲染的个性化全头部虚拟化身，重点处理不可见区域补全、跨身份驱动时的身份保持，以及个体特异的表情响应。其核心贡献是联合估计运动并预测显式绑定于网格的 Gaussian 化身的前馈框架。 方法针对化身与运动联合学习、混合来源训练中的表征混淆，引入 Neutral Identity Anchoring，限制身份信息泄漏到表情分量；引入 Adversarial Domain Alignment，抑制规范空间特征编码数据集层面的采集属性。预测资产包含适配身份的网格 blendshapes 与 Gaussian 外观基，可通过基混合完成动画，而无需逐帧进行神经化身解码。具体损失、监督来源与训练规模尚未验证。 作者报告，在 VFHQ、AVA256 和 RenderMe-360 上，重建、身份保持及全头部补全有所改善，表情保真度具有竞争力；摘要未给出具体指标、数值、数据划分或对照方法。作者还报告，在预先计算驱动控制量的条件下，四个并发化身在两个移动设备上共享 1024×1024 画布，动画与渲染吞吐量均超过 60 FPS。该结果不能直接视为包含驱动控制估计的端到端实时性能；设备型号、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其信息解耦思路可形成 EEG 表征学习假设，即在保留任务信息的同时抑制被试或采集域属性。但原方法依赖肖像、运动控制与可动画化的网格/Gaussian 结构，不能直接迁移；需重新定义 EEG 中的任务、身份与域因素，并改造锚定目标及域判别模块。低信噪比、小样本和通道差异可能使域对齐误删任务相关信号。可在固定 Cross-subject 划分下，对比同一 EEG 编码器加入或不加入域对抗约束时的任务表现与被试信息可预测性，检验这一有限假设。尚未检索确认已有 EEG 相关工作。