FlexAvatar 亮相：单张图片 2 分钟捏出 360 度可动 3D 头像

拿单张自拍捏 3D 头像，大家通常会遇到一种尴尬：正脸看着还挺像，一旦镜头转到侧面甚至脑后，整个人头直接崩成扁平纸片，稍微做个夸张表情五官更会跟着视角一起扭曲。

FlexAvatar 想解决的正是这个老大难问题。来自慕尼黑工业大学等机构的研究团队提出了一种新架构，只要输入一张普通单目人像照片，就能在 2 分钟内算出一个完整的 360 度 3D 头部模型，并且后续可以随意驱动表情与转头。

把转头和做表情彻底拆开

以往单靠一张照片或单目视频训练 3D 头像，最致命的缺陷是视角和表情信号严重纠缠。AI 看到一个人转头并咧嘴笑，根本分不清哪些像素变化是因为转动了镜头，哪些是因为肌肉运动。

FlexAvatar 采用基于 Transformer 的编解码器架构，并接入了视觉模型 DINOv2 与 3D 高斯泼溅（3DGS）渲染技术。它在编码器中把单张图像映射到头像潜空间，再解码出 3DGS 表征。

最核心的绝活在于设计了被称为「偏置汇聚点」（bias sinks）的可学习数据源标记。这让模型能同时吃下大量容易获取的单目视频与昂贵的多视角数据，既借来了单目数据的强大泛化能力，又保住了多视角数据带来的完整 360 度立体几何结构。

训练完成后，系统把视角参数和表情潜变量完全独立开来。用户既可以自由转动视角看完整的后脑勺，也能单独输入表情信号驱动它说话大笑。

2 分钟生成，显存只要 1.7GB

除了建模完整，FlexAvatar 在落地效率上也表现得相当克制。

整个头像创建过程仅需 2 分钟左右。而在推理驱动阶段，运行在一张常见的 RTX 3090 显卡上，显存占用仅仅需要 1.7GB。

在这么低的资源消耗下，它依然能跑出 20 FPS 的渲染速度。此外，由于潜空间连续平滑，它不仅支持单张图片输入，也支持多张照片输入以获得更好细节，甚至能在不同人的头像特征之间做平滑插值过渡。

为什么重要

我们认为，FlexAvatar 最聪明的地方不是盲目去刷超大规模多视角扫描数据，而是找到了单目与多视角的平衡解法。

对独立开发者、游戏工作室或 XR 社交团队来说，这项技术意味着高拟真虚拟化身的门槛被大幅砍低。以往搭建 3D 角色要么靠昂贵的光场扫描阵列，要么靠人工精修穿模的后脑勺，现在一张静态证件照或生活照就能在两分钟内出成品。

更关键的是 1.7GB 显存与 20 FPS 的轻量表现。这意味着它不需要高端数据中心伺服器，直接跑在主流消费级显卡上就能胜任实时虚拟主播、NPC 实时交互或端侧视频会议替身。

不过也要看到，20 FPS 虽然勉强达到实时，距离 60 FPS 的流畅交互仍有优化空间。单张照片在极端侧光或严重遮挡下的抗干扰表现，也依然需要后续更多实际场景的检验。