一句话结论
将面部高斯属性与局部潜码联合作高维正态建模，再由条件均值还原可光栅化的3D高斯；插入FlashAvatar后19人单目PSNR29.43→29.99、LPIPS×10^-2 5.107→4.978，同时347→300FPS，收益与额外维度的预算须同时报告（CVPR 2026 p.25241 Table1、补充p.5 Table3）。
条件、机制与实验
输入是单人带相机的视频与FLAME/BFM表情/头姿跟踪；输出是指定表情/视角的渲染RGB。条件分布用潜码调节图元位置、旋转和尺度，inverse covariance trick把高维协方差求逆变为反转小的属性块Λaa，条件均值送原3DGS rasterizer；FlashAvatar和GaussianHeadAvatar只替换原属性偏移预测的表示环节，并沿用其余训练管线（主文pp.25239–25241 Eqs.2–6、Fig.2；补充p.1 §2.2）。这属于逐人优化与面部条件表示，不能用来声称无需表情拟合/预训练即可生成通用3D资产。
五单目集19人（2000训练/最后500测试帧、512²）及NeRSemble多视10人（16相机、FREE序列留作测试、2048²），共29人六集。主文p.25241 Table1：FlashAvatar PSNR29.43、SSIM×10^-1 9.466、LPIPS×10^-2 5.107，8维HGS 29.99/9.510/4.978；GaussianHeadAvatar 24.10/8.819/20.273，接HGS 24.38/8.819/19.768，其中多视SSIM无改善。补充p.4 Table2同GHA的NDGS 24.22/8.820/20.235，为条件表达容量对照。图示关注牙齿、镜框和眼部高光（主文Figs.4–6），面部身份与几何GT未独立量化。
反证、成本与下一步
补充p.5 Table3 RTX2080Ti、512²：vanilla FA 375K参数、347FPS；8维HGS 2.6M/300FPS；同2.6M深MLP只有158FPS/PSNR28.10/LPIPS×10^-2 5.720。1维可得29.73PSNR/291FPS；32维虽LPIPS4.976，PSNR29.89/281FPS，潜维越多不保证全面更好。主文p.25243 Fig.3 8维局部条件算子内存42→22MB不是模型总峰值。RTX4090每人单目30k步15–20min；多视600k步>2天，接HGS约增加30min（主文pp.25241、25243），MICA/RVM/BiSeNet/标定等前处理另计。仓库MIT，数据肖像许可另审；作者补充p.5 §5提示深伪误用风险。按受试者而非相邻帧聚类，并统一表情跟踪和GPU后对比HGS、NDGS与等参数MLP。独立分析见raw/ingest/2026-09-25-hypergaussians/analysis.md；三维高斯泼溅：表示、优化、几何与动态任务。