论文导读
苹果研究团队提出GHARP，用少量人物照片建立数字人，再用表情信号驱动脸部动画。它把一次性的建脸与持续的动脸分开计算。在论文的A100测试中，动画阶段相对对照方法最高快约13倍，输入照片增多时，每帧动画开销仍保持固定。
先把脸建好，再让表情动起来
照片中的人张嘴、抬眉，生成头像要跟着动，发型、肤色和身份又要保持。若每次表情变化都重新计算整个人物，大量重复工作会进入每一帧动画。
图：少量人物输入照片建立头像，并将驱动表情迁移到不同人物。
GHARP先在离线阶段整理人物的几何与外观，建立一个固定的三维表示。它使用三维高斯来描述人物，可理解为许多带位置、大小、方向和颜色的空间小块，渲染时把这些小块投到画面上。
运行阶段再读取表情信号，只预测相对于固定人物表示的变化。人物是谁与人物正在做什么表情，被放进两个计算阶段；较重的身份建模可以提前做，轻量网络负责持续动画。
几张照片合成同一个人物表示
论文使用预训练的重建模型，给不同输入照片建立一致的空间布局。这样，正面与侧面的线索能够合进同一个固定大小的人物表示，而不用把每张照片各自生成的结构直接堆起来。
图：GHARP先融合身份外观，运行时再预测表情带来的变化。
测试比较了1、2和4张输入照片。增加视角能补上原来没看到的外观信息，但GHARP输出的高斯数量不随照片数翻倍。Internal10K测试中，三种输入配置都使用约6.5万个高斯，动画阶段在A100上约1.92毫秒。
有4张输入时，FastGHA的动画阶段约26.25毫秒，GHARP约1.92毫秒，差距接近13.7倍。论文标题与摘要将其概括为最高约13倍。这里比较的是动画阶段，不能当成从上传照片到建模完成的全流程加速。
人物表情还可以迁移到不同身份。示例里同一驱动表情作用到多个人物，脸部动作相近，人物外观各自保留。
衣服不跟着脸乱抖，还要处理训练目标
表情信号描述脸，并不充分描述身体姿态和衣服位置。训练照片里，相近的面部表情可能对应不同的肩膀或衣服状态。模型若把这些冲突目标平均起来，身体区域就容易模糊、闪烁。
图：身体对齐模块减少表情信号无法确定的身体姿态歧义。
团队增加身体对齐网络，把目标图中的身体与参考图对齐，减少训练信号里的歧义。这一步重点处理脸之外的区域，不能把它理解成仅靠表情信号就能完整驱动全身动作。
对齐后，身体看起来更稳定，但与原目标图逐像素比较的指标可能下降，因为身体已经对齐到参考姿态，位置不再与原目标完全相同。论文因此同时报告身份、动作及图像质量指标，没有用单一分数包揽所有效果。
测试覆盖Ava-256与Internal10K，还比较了设备运行时间。数字人细节与稳定性仍要结合示例观察；已核实的速度结果落在指定硬件、输入配置和动画阶段。
