GCL学术成果：CVPR 2026-解耦姿势×表情双控！DeX-Portrait 解锁高可控性的肖像动画
近日，CVPR 2026 论文录用结果正式公布，中国科学技术大学数学科学学院GCL实验室和华为、南京大学的研究团队提出全新肖像动画生成方法——DeX-Portrait，首次实现头部姿势、面部表情与身份特征的高保真解耦控制，为仅表情编辑、仅姿势编辑等肖像动画应用提供全新解决方案。
困局：从高保真到高可控的肖像驱动
想象一下，你手里有一张老照片。照片里的人看着你，但一切都静止了。
你多么希望，能让它重新动起来——转转头、眨眨眼、露出那个熟悉的笑容。
这，就是肖像动画的梦想。
扩散模型让肖像"活"了过来，却有一个致命缺陷：
头部姿势、面部表情、身份特征，三者像被绑在一起的绳子，牵一发而动全身。
想让照片中的人只改变表情、保持姿势不变？做不到。
想只调整头部角度、保留原有表情？还是做不到。
精细化创作场景，被挡在了技术的高墙之外。
破局：从"牵一发而动全身"到"解耦即自由"
我们的研究团队，问了一个简单却深刻的问题：
“为什么一定要绑在一起？"
DeX-Portrait 由此诞生。
他们像解毛线团一样，把运动信号一根一根拆开：
头部姿势 → 显式的RTS全局变换，独立控制；
面部表情 → 隐式潜码，精准捕捉；
身份特征 → 在生成中牢牢守住；
解耦，意味着自由。
现在，你可以让照片中的人只笑一笑，头不动；也可以让他只转转头，表情不变。
拆解难题：运动训练器的设计
团队面对的第一个问题是：如何让姿势和表情"分家”？
想象你在调一台老式收音机。频道和音量两个旋钮混在一起，想调音量，频道也跟着变——这就是当时肖像动画的困境。
研究团队决定，从头开始重建这套"控制系统"。
团队设计了一个基于GAN的运动训练器，它的工作方式像一位细心的"分拣员"：
第一步，通过对3D潜特征的全局RTS变形，把头部姿势信息"刻"进去；
第二步，通过AdaIN方法，把表情向量"注"进去——嘴角上扬、眉毛微挑，精准捕捉；
第三步，搭配一系列图像增强策略，像给两个信号加上"隔离墙"，强化它们的独立性。
最终输出的，是精准、完全解耦的姿势与表情驱动信号。
“就像把混在一起的红蓝两色墨水，重新分离成两瓶纯净的颜料。”
拆解难题：组合控制
信号有了，下一个难题是：如何把它们送进扩散模型，还不互相干扰？
这是之前没人解决的问题。表情向量注入时，总会"污染"姿势控制；姿势变换时，又容易"带走"表情信息。
团队首次提出了双分支姿势注入机制，像修了两条独立的高速公路，
第一分支：RTS→光线图→与噪声输入拼接，直接告诉模型"头往哪转"；
第二分支：RTS→变形参考网络中间特征→与去噪网络特征拼接，从内部校准姿势生成。
双管齐下，精准控制。
更重要的是，表情向量从此不再产生干扰。它通过交叉注意力独立注入，走自己的通道。
最后的打磨：采样方式的重构
框架搭好了，生成效果还有最后一道关卡：身份一致性。
有时候，姿势和表情都对了，但生成的脸"不像同一个人"。这是扩散模型的老问题。
受FLOAT工作启发，团队在去噪阶段提出了渐进式CFG策略。
它的工作方式像一位耐心的画家：
“不是一笔涂完，而是一层一层上色。先确定姿势，再融入表情，每一步都让身份特征更稳固。”
通过分步融入姿势与表情条件，生成结果的身份一致性显著提升。
结语
团队在跨身份驱动与解耦驱动两大核心场景，与当前 SOTA 方法开展定量、定性对比实验。结果表明，DeX-Portrait 在真实场景中展现出最优的表现力与泛化能力，生成效果全面超越现有基线方法。
DeX-Portrait 突破了现有肖像动画生成的解耦控制瓶颈，为数字人创作、视频编辑、虚拟形象驱动等场景提供了高质量、高可控的技术方案，也为扩散模型在细粒度生成任务上的应用提供了新思路。
论文发表
该工作已被计算机视觉顶级会议CVPR 2026录用。CVPR是计算机视觉与模式识别领域的顶级国际会议（CCF-A类），2026年录用率约为25.42%。
论文原文
论文标题：DeX-Portrait: Disentangled and Expressive Portrait Animation via Explicit and Latent Motion Representations
作者：施羽翔¹，李哲²，王彦文³，朱昊³，曹汛³，刘利刚¹
单位：¹中国科学技术大学，²华为，³南京大学