GHARP
一种基于3D高斯泼溅的实时头部动画方法，通过解耦身份表示与表情残差预测，实现少视图输入下的高保真实时表情驱动。
时间轴 (近 90 天)
GHARP（Real-time Gaussian Head Animation from Large-scale Reconstruction Prior）采用两阶段解耦架构：离线构建身份表示，运行时预测表情残差。
GHARP 的身份阶段利用大规模重建先验来初始化或约束高斯点云，使方法在输入视图极少的情况下也能保持稳定。
GHARP 强调只需少量输入图像（few input images），可降低数据采集门槛，用户可能只需几张多角度自拍即可得到可实时驱动的三维头部。
论文摘要没有给出 GHARP 的具体帧率或硬件性能指标。
GHARP 的身份阶段与动画阶段之间的接口（残差表达方式与高斯属性对齐）需要精心设计，否则容易出现表情驱动时纹理漂移或几何扭曲。
将重计算放在云端离线完成、轻量动画放在终端运行，是 GHARP 类方法在移动端部署的一种可行混合架构。
全部知识事实 (6)
GHARP（Real-time Gaussian Head Animation from Large-scale Reconstruction Prior）采用两阶段解耦架构：离线构建身份表示，运行时预测表情残差。
50%待验证GHARP 的身份阶段利用大规模重建先验来初始化或约束高斯点云，使方法在输入视图极少的情况下也能保持稳定。
50%待验证GHARP 强调只需少量输入图像（few input images），可降低数据采集门槛，用户可能只需几张多角度自拍即可得到可实时驱动的三维头部。
50%待验证论文摘要没有给出 GHARP 的具体帧率或硬件性能指标。
50%待验证GHARP 的身份阶段与动画阶段之间的接口（残差表达方式与高斯属性对齐）需要精心设计，否则容易出现表情驱动时纹理漂移或几何扭曲。
50%待验证将重计算放在云端离线完成、轻量动画放在终端运行，是 GHARP 类方法在移动端部署的一种可行混合架构。
50%