AI 头像脸上的伪影，KAIST 用合成失败样本擦掉了

从一段视频重建的高斯头像总有些尴尬的伪影：模糊、拉伸、时间不稳定。KAIST 的 EDGAR（arXiv 2611.07909，已被 ACM Transactions on Graphics 接收）的思路很有意思：既然真实世界的失败样本难收集，那就自己合成失败。

他们构建了 EDGAR-SET：由真实采集与合成渲染样本组成的混合三元组数据集，把「退化的高斯渲染」与真值图、参考图配对，专门模拟高斯头像的真实失败案例。模型是一个条件扩散框架：自监督 Sapiens 模型提取的身份特征经融合块注入单步扩散骨干，混合专家架构应对不同退化类型与严重程度。最终用法也很经济：精化后的多视角渲染作为伪目标去优化高斯形象本身，成片渲染不需要对每帧运行 EDGAR。

效果按论文口径：在三种高斯头像重建方法、每种三种设置的评估中，感知与重建指标均优于原始输出和 SDEdit 式基线；跨视角一致性提升；大偏航角与开口表情等极端设置下也验证了鲁棒性。

对做数字人、虚拟主播和视频会议形象的公司，这篇补的是「最后一公里」：重建管线已经能出头像，但脸上偶尔的伪影让成片不能播。用合成失败样本训练修复器这个思路，也适用于一切「坏样本难收集」的修复任务。另一处值得学的工程选择：修复后的多视角渲染作为伪目标去优化高斯形象本身，成片渲染不需要逐帧跑修复模型，推理成本被压在了资产生产阶段而不是播放阶段。项目页（kwanyun.github.io/edgar）公开了方法与 EDGAR-SET 数据集构成，ACM TOG 的接收也让这篇的可信度有了同行评议背书。