LAM模型由阿里巴巴通义实验室3D团队研发，通过单张图像实现实时可驱动的3D高斯头像生成。该模型突破了传统方法对视频数据和复杂后处理的依赖，实现了跨平台实时渲染，并支持WebGl驱动。LAM的核心技术包括规范化空间的三维高斯球生成、多模态特征交互Transformer、细分网格增强细节等。实验结果表明，LAM在重建质量、动画精度和渲染效率上均表现出色，为轻量化、跨平台的3D数字人应用提供了新思路。

🔥 LAM基于单张图像生成可驱动的3D高斯头像，无需后处理，实现了超实时驱动和渲染。

📐 该模型利用规范化空间的三维高斯球生成人头模型，结合FLAME头部模板，降低生成复杂度，并使用多模态特征交互Transformer预测3D高斯球的属性。

💡 LAM通过网格细分算法增强细节，提升头发、胡须等细节的建模能力，并采用传统动画驱动机制，无需额外神经网络参与动画或渲染计算。

🌐 LAM支持跨平台超实时渲染，基于WebGL实现表情、动作驱动和三维高斯溅射的渲染，可在多种设备上进行直接驱动和渲染。

🎨 LAM不仅限于单图生成，还可以结合图像大模型实现跨模态艺术创作，支持文本驱动生成和3D风格迁移。

2025-06-20 18:39 北京

论文作者来自阿里巴巴通义实验室的 3D 团队。

论文作者来自阿里巴巴通义实验室的 3D 团队。第一作者何益升，本科毕业于武汉大学，博士毕业于香港科技大学；通讯作者原玮浩，本科毕业于浙江大学，博士毕业于香港科技大学；团队 Leader 董子龙，本科博士均毕业于浙江大学。

三维数字头像的建模、驱动和渲染是计算机图形学与计算机视觉的重要课题之一，在虚拟会议、影视制作、游戏开发等领域有广泛应用。传统方法依赖多视角数据或视频序列训练，存在计算成本高、输入条件难、泛化能力弱等问题。

近年来，基于神经辐射场（NeRF）和 3D 高斯溅射（Gaussian Splatting）的技术虽提升了建模质量，但仍面临多视角/视频输入训练的依赖以及神经后处理导致的渲染效率低的问题。

LAM（Large Avatar Model）的提出，旨在通过单张图像实现实时可驱动的 3D 高斯头像生成，突破传统方法对视频数据或复杂后处理的依赖，为轻量化、跨平台的 3D 数字人应用提供新思路。

论文标题：LAM：Large Avatar Model for One-shot Animatable Gaussian Head

论文地址：https://arxiv.org/abs/2502.17796

项目主页: https://aigc3d.github.io/projects/LAM

代码库：https://github.com/aigc3d/LAM

国外 Demo：https://huggingface.co/spaces/3DAIGC/LAM

国内 Demo：https://www.modelscope.cn/studios/Damo_XR_Lab/LAM_Large_Avatar_Model

核心亮点：

🔥 单图秒级生成超写实 3D 数字人

🔥 WebGL 跨平台超实时驱动渲染，手机跑满 120FPS

🔥 低延迟实时交互对话数字人 SDK 已全开源

方法

LAM 的核心目标是：单图输入、一次前向传播生成可驱动的 3D 高斯头像，无需后处理网络，并兼容传统图形渲染管线实现跨平台实时渲染。其技术框架围绕以下核心突破展开：

规范化空间的三维高斯球生成

人头模型先验引导：LAM 基于 FLAME 头部模板的顶点来初始化高斯球位置，结合形状混合形变（Blendshapes）与骨骼线性蒙皮（LBS）的驱动机制，将三维头像的生成置于规范化空间（Canonical Space），统一不同表情与姿态的几何表达，降低生成复杂度。

多模态特征交互 Transformer：LAM 利用预训练的 DinoV2 提取输入图像的多层级特征，通过堆叠式交叉注意力模块（Cross-Attention）让 3D 空间中的点特征与 2D 空间中的图像特征进行交互，预测 3D 高斯球的位置、颜色、透明度等属性，并引入形变偏移（Offset）优化人头的几何形状（如头发、饰品等）。

细分网格增强细节：FLAME 原始顶点数只有 5023 个，表达能力有限，LAM 通过网格细分算法（Mesh Subdivision）增加点密度（默认两次细分达 81424 点），从而提升头发、胡须等细节的建模能力。使用不同的细分程度，也可以在模型生成质量与渲染速度之间进行平衡。

无需神经后处理的驱动与渲染

传统动画驱动机制直接迁移：生成的规范空间中的 3D 高斯人头，可直接使用骨骼线性混合蒙皮（LBS）与形状混合形变（Blendshapes）参数，驱动表情与姿态变化，无需额外神经网络参与动画或渲染计算，达到超实时的渲染效率。

海量视频数据训练：传统 3D 数字人的训练数据要求苛刻，有时甚至需要多视角视频数据，难以 scale up，而 LAM 的模型架构使其可以在普通的单目视频上进行训练，从而可以很轻易地 scale up。在模型训练中，一段视频中取任意一帧作为输入图片，生成 3D 高斯人头，然后基于视频检测得到的头部姿态和面部表情，渲染不同帧的图片，与真值之间求损失来优化生成网络。

跨平台超实时渲染架构

轻量化 3D 高斯表达：LAM 的驱动和渲染没有任何神经网络的参与，是直接使用传统动画驱动 + 三维高斯溅射渲染，因此可以直接兼容传统图形管线。

WebGL 渲染：LAM 基于 WebGL 实现了表情、动作驱动和三维高斯溅射的渲染，天然支持跨平台的特性，可以在不同设备如电脑、手机、电视、大屏等设备上进行直接驱动和渲染，效率达到超实时，如 8W 点模型可以在 Macbook 上轻松跑满屏幕上限 120FPS，2W 点模型甚至能在移动端跑到 120FPS。

实验

定量结果

论文在 VFHQ（高分辨率视频人脸数据集）与 HDTF（高清对话视频数据集）上验证 LAM 性能，对比对象包括 NeRF 方法及 3D 高斯溅射方法，指标涵盖重建质量、身份一致性、动画精度与渲染效率。

从结果来看，LAM 以超写实的图像质量刷新记录，以无神经网络的超轻量模型击败之前的重网络模型。

更多应用

LAM 不仅限于单图生成，也可以结合图像大模型进行实现跨模态艺术创作：

文本驱动生成

结合文生图模型，用户输入提示词（如「戴帽子的卡通男性」）生成任意风格的人头图像，LAM 可以直接转换为可驱动三维高斯模型。如图所示，生成的头像可准确保留提示中的服饰元素（帽子）与艺术风格（卡通化）：

3D 风格迁移

通过图像编辑模型对输入图像进行年龄、妆容等编辑，LAM 可以同步更新高斯属性。例如将真人头像转化为油画风格时，模型保留几何结构仅调整颜色与纹理等：

交互对话数字人解决方案

以 LAM 为基础，通义实验室构建了完整的智能交互对话数字人解决方案，融合通义千问大语言模型、通义语音算法、通义数字人驱动算法，构建成熟、鲁棒的完整工程方案，实现轻量化、低成本、低延迟、跨平台的端侧渲染，支持智能客服、情感陪伴、教育培训等产品。

目前，完整的解决方案均已开源，包括整个链路中的各个模块。即使用开源的代码库，就可以实现输入一张图片，生成超写实 3D 数字人，进行实时的对话聊天。

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：liyazhou@jiqizhixin.com

阅读原文

跳转微信打开