简介
LAM项目结合了3D Gaussian Splatting（高斯点云渲染）和大规模预训练模型的优势，解决了传统头部重建方法效率低、依赖多数据的痛点。其背景源于AI生成内容（AIGC）领域对实时、高保真3D头像生成的需求，尤其是在虚拟现实、游戏、虚拟主播等场景中。
技术背景与研究动机
近年来，3D头部重建和动画生成技术在虚拟现实（VR）、增强现实（AR）、游戏、影视制作以及在线会议等场景中需求日益增加。传统方法通常需要多视角图像或视频序列来训练模型，并且在推理阶段依赖额外的神经网络进行动画和渲染，这导致计算成本高、实时性差。LAM项目的目标是解决这些问题，通过“单张图像输入”（One-shot）生成可立即动画化和渲染的3D头部模型，显著降低使用门槛并提升效率。
该项目受到3D Gaussian Splatting（3DGS）技术的启发，这是一种近年来兴起的3D表示方法，通过高斯分布的点云来高效渲染复杂场景。LAM将这一技术与大规模预训练模型结合，试图在单次前向传播中完成头部重建和动画准备，填补现有技术在实时性和泛化能力上的不足。
核心技术与创新点
LAM的核心在于其“Canonical Gaussian Attributes Generator”（规范高斯属性生成器），这是一个基于FLAME模型（一种经典的3D可变形头部模型）的框架。具体创新点包括：
-
单张图像重建：通过从单张图像预测3D高斯点云的属性（如位置、颜色、透明度等），LAM避免了多视角输入的需求。
-
实时动画与渲染：生成的3D头部模型直接支持基于FLAME的线性混合蒙皮（Linear Blend Skinning, LBS）和表情修正（Corrective Blendshapes），无需额外的后处理或辅助网络。
-
跨平台兼容性：通过WebGL渲染支持，LAM可以在包括移动设备在内的多种平台上实现实时动画和渲染。
-
多尺度特征融合：利用Transformer架构，将FLAME的规范点与图像的多尺度特征进行交互，提升重建精度和纹理细节。
-
这些特性使LAM在保持高质量重建的同时，显著提高了效率和实用性。
开发历程与现状
-
论文发布：2025年2月23日，LAM的学术论文在arXiv上公开，详细描述了方法论和实验结果，表明其在现有基准测试中超越了当时的最优方法。
-
代码开源：GitHub仓库（aigc3d/LAM）提供了LAM-small（基于VFHQ数据集训练）和LAM-large（基于更大自建数据集训练）的模型，以及安装脚本和推理代码。代码支持CUDA 11.8或12.1环境，并发布了Hugging Face和ModelScope的空间用于展示。
-
功能扩展：项目后续更新包括音频驱动模型（Audio2Expression）和互动聊天头像SDK（OpenAvatarChat），显示其向多模态和实用化方向发展。
性能对比
详情见技术报告
看看效果
相关文献
技术报告：https://arxiv.org/pdf/2502.17796
HF在线体验地址：https://huggingface.co/spaces/3DAIGC/LAM
MS在线体验地址：https://www.modelscope.cn/studios/Damo_XR_Lab/LAM_Large_Avatar_Model
github项目地址：https://github.com/aigc3d/LAM
