AvatarPointillist: Авторегрессионная 4D-аватаризация с помощью гауссовских точек
AvatarPointillist: AutoRegressive 4D Gaussian Avatarization
April 6, 2026
Авторы: Hongyu Liu, Xuan Wang, Yating Wang, Zijian Wu, Ziyu Wan, Yue Ma, Runtao Liu, Boyao Zhou, Yujun Shen, Qifeng Chen
cs.AI
Аннотация
Мы представляем AvatarPointillist — новую систему для создания динамических аватаров на основе 4D гаусссиан из одного портретного изображения. В основе нашего метода лежит декодер-трансформер, который авторегрессивно генерирует облако точек для трёхмерного рендеринга методом гауссова разброса. Такой последовательный подход обеспечивает точное, адаптивное построение, динамически регулируя плотность точек и их общее количество в зависимости от сложности объекта. В процессе генерации точек AR-модель также совместно предсказывает информацию о привязке для каждой точки, что позволяет реализовать реалистичную анимацию. После генерации специализированный гауссов декодер преобразует точки в полные, пригодные для рендеринга атрибуты гаусссиан. Мы демонстрируем, что условие декодера на скрытых признаках из AR-генератора обеспечивает эффективное взаимодействие между этапами и значительно повышает точность. Многочисленные эксперименты подтверждают, что AvatarPointillist создаёт высококачественные, фотореалистичные и управляемые аватары. Мы считаем, что данная авторегрессионная формулировка представляет собой новую парадигму для генерации аватаров, и мы опубликуем наш код для стимулирования будущих исследований.
English
We introduce AvatarPointillist, a novel framework for generating dynamic 4D Gaussian avatars from a single portrait image. At the core of our method is a decoder-only Transformer that autoregressively generates a point cloud for 3D Gaussian Splatting. This sequential approach allows for precise, adaptive construction, dynamically adjusting point density and the total number of points based on the subject's complexity. During point generation, the AR model also jointly predicts per-point binding information, enabling realistic animation. After generation, a dedicated Gaussian decoder converts the points into complete, renderable Gaussian attributes. We demonstrate that conditioning the decoder on the latent features from the AR generator enables effective interaction between stages and markedly improves fidelity. Extensive experiments validate that AvatarPointillist produces high-quality, photorealistic, and controllable avatars. We believe this autoregressive formulation represents a new paradigm for avatar generation, and we will release our code inspire future research.