前置知识：

\quad 1）SMPL（Skinned Multi-Person Linear）模型

\quad SMPL（Skinned Multi-Person Linear）模型是一种用于表示人体形状和姿势的三维模型。

\quad a. Skinned表示这个模型不仅仅是骨架点，其实有蒙皮的，其蒙皮通过3D mesh表示。3D mesh如下所示，指的是在立体空间里面用三个点表示一个面，可以视为是对真实几何的采样，其中采样的点越多，3D mesh就越密，建模的精确度就越高。

\quad b. Multi-person表示的是这个模型是可以表示不同的人的，是通用的。
\quad c. Linear表示人体的不同姿态或者不同身高，胖瘦（我们都称之为形状shape）是一个线性的过程，是可以控制和解释的。

\quad 在SMPL模型中，我们的目标是对于人体的形状（胖瘦高矮），和人体的动作姿态进行定义。

\quad 为了描述人体的动作，SMPL模型中定义了一个维度是 24 x 3 的姿态参数θ，去描述某个时刻人体的动作姿态。24指的是24个关节点，但是3并不是（x, y, z），而是该节点针对于其父节点的旋转角度的轴角式表达。

\quad 为了描述人体的形状，SMPL模型中定义了一个维度是 10 的形状参数β，每一个维度的值都可以解释为人体形状的某个指标，比如高矮，胖瘦等。

\quad 2）线性混合蒙皮（Linear Blend Skinning）

\quad 线性混合蒙皮（Linear Blend Skinning），也称为蒙皮权重插值，用于模拟三维模型的形变（skinning）和骨骼动画。蒙皮是指如何将模型的表面与其骨骼结构关联起来，以便在动画中实现形变。

\quad SMPL模型使用线性混合蒙皮作为其形变模型的基础。SMPL使用线性混合蒙皮来模拟人体的肌肉和骨骼的运动。

一、正文：

\quad 为了引入人体结构先验，最近的文本驱动 3D 人体生成研究将 SDS 与 SMPL 等模型结合起来。具体来说，一个常见的做法是将人体先验集成到网格（mesh）和神经辐射场（NeRF）等表示中，或者通过将身体形状作为网格 / 神经辐射场密度初始化，或者通过学习基于线性混合蒙皮（Linear Blend Skinning）的形变场。然而，它们大多在效率和质量之间进行权衡：基于 mesh 的方法很难对配饰和褶皱等精细拓扑进行建模；而基于 NeRF 的方法渲染高分辨率结果对时间和显存的开销非常大。如何高效地实现细粒度生成仍然是一个未解决的问题。

\quad 最近，3D Gaussian Splatting（3DGS）的显式神经表达为实时场景重建提供了新的视角。它支持多粒度、多尺度建模，对 3D 人体生成任务非常适用。然而，想要使用这种高效的表达仍有两个挑战：
\quad 1）3DGS 通过在每个视锥体中排序和 alpha - 混合各向异性的高斯来表征基于图块的光栅化，这仅会反向传播很少一部分的高置信度高斯。然而，正如 3D 表面 / 体积渲染的研究所证实的那样，稀疏的梯度可能会阻碍几何和外观的网络优化。因此，3DGS 需要结构引导，特别是对于需要层次化建模和可控生成的人体领域。
\quad 2）朴素的 SDS 需要一个large scale的无分类器指导（Classifier-Free Guidance）来进行图像文本对齐，例如，在 DreamFusion 中使用的 100。但它会因过度饱和而牺牲视觉质量，使真实的人类生成变得困难。此外，由于 SDS 损失的随机性，3DGS 中原始的gradient-based density control 会变得不稳定，导致模糊的结果和floating artifacts。

\quad 因此，我们提出了有效且快速的 3D 人体生成模型 HumanGaussian，通过引入显式的人体结构引导与梯度规范化来辅助 3D 高斯的优化过程，能够生成多样且逼真的高质量 3D 人体模型。我们的直觉在于，3DGS是一种具有周期性高斯收缩或增长的有效渲染器，这种自适应密度控制可以自然地由内在的人体结构引导。本文的关键在于，结合显式的结构指导和梯度正则化，以促进高斯优化。

\quad 具体地，我们首先提出了一个 Structure-Aware SDS 联合学习人体外观和几何。不想先前的工作《Text-to-3d using gaussian splatting》、《3d gaussian splatting for real-time radiance field rendering》、《Gaussian dreamer: Fast generation from text to 3d gaussian splatting with point cloud priors》那样利用一般的先验，比如SfM和Point-E模型，我们将高斯初始化在SMPL-X mesh上。这样，后续的densification和pruning过程就会关注人体表面周围的区域，可以有效地捕捉几何变换，比如accessories和wrinkles。
此外，我们扩展了SD，使同时降噪RGB和Depth。这种双分支设计提取了两个空间对齐目标（即RGB和深度）的联合分布，在结构引导和纹理真实性下提高了高斯收敛性。

\quad 为了进一步改善自然外观的渲染，我们还设计了一个Annealed Negative Prompt Guidance。特别地，我们将SDS解耦为a noisier generative score和a cleaner classifier score，后者配备了一个decreasing negative prompt guidance来促进在正常CFG尺度（7.5）时的真是生成，这一点已经在当前的 text-to-3d 研究中被证实《Noise-free score distillation》《Text-to-3d with classifier score distillation》。通过这种方式，我们设法避免过饱和模式通过使用适当的CFG尺度，从而很好地平衡样本质量和多样性。此外，由于SDS损失的高方差，直接依靠梯度信息来控制密度，会导致模糊的几何。相反，我们建议在 prune-only 阶段消除基于高斯大小的浮动伪影。

二、方法

2.1. Preliminaries
\quad SMPL-X模型：是一个三维参数的人体模型，定义了身体，手，和脸的形状拓扑。它包含10475个顶点，和54个关键点。它可以被如下公式定义：

\quad $\bar{T}$是平均模板形状。Bs, Bp, Be分别是shape，pose，expression的blend shape functions。T（β，θ，φ）表示来自$\bar{T}$的非刚性变形。LBS(·)是linear blend skinning函数，将T（β，θ，φ）转换为目标姿态θ，骨骼关节点 J(β)，以及在每个顶点上定义的混合权值W。

\quad 方法的总览如下图所示。比较直观地看出来，先用SMPL-L网格初始化3DG，然后用dual-branch SDS对其进行优化，最后进行Prunning。

2.2 Structure-Aware SDS
\quad 这一部分的优化目标如下所示：

2.3. Annealed Negative Prompt Guidance
\quad 首先将SDS解耦为两项，前一项是将图像推向更真实的流形的生成分数，后一项是将样本与隐式分类器对齐的分类器分数。

\quad 在文生图和文生 3D 领域中，负文本被广泛用于避免生成不需要的属性。根据经验，研究者发现负文本分类器分数会在小时间步长内损害质量，因此使用退火的负文本引导来结合两个分数进行监督：