破局与重构：从“静态近似”到“动态建模”——一次关键的科研方向校准
最近与导师进行了一次深入的阶段性交流。这不仅是一次常规的进度汇报，更是一次对课题核心逻辑的系统性纠偏与重构。
此前，我将当前的研究任务定义为：单目头部短视频的静态重建。
我的初衷是通过极其精细的数据预处理和严格的约束，从单目转头视频中提取并恢复出一个高保真的静态头部 3DGS 模型。前期的精力也自然而然地倾注于工程链路的打通：复现官方 Baseline、采集并清洗数据、优化 COLMAP 位姿估计、修正相机模型约束（解决无畸变支持问题）、以及探索不同迭代次数对渲染质量的边际收益。
但这次交流让我深刻意识到：我所面临的技术瓶颈，并非源于“预处理不够极致”，而是源于任务本身的物理属性——头部视频从来都不是一个纯粹的静态场景。
阶段性成果的真实价值：证伪与确立 Baseline
首先需要客观评估前期工作的价值。引入 GPHM 和 GAF 等几何先验路线的调研，以及在自采数据集上跑通 3DGS 的全链路，并非无用功。
在处理 COLMAP 报错并最终采用 PINHOLE 相机模型闭环训练后，我得到了一个非常明确的实验结论：即使在 30000 次迭代的高强度训练下，Vanilla 3DGS 在侧脸区域、头部边缘（如发丝）以及动态变化特征明显的区域依然表现出系统性的劣化。
我曾一度陷入“工程学陷阱”，试图通过更严苛的抽帧对齐、更精细的画面裁剪来修补这些缺陷。但事实上，前期扎实的实验已经帮我建立了一个极具说服力的参照系：原始的静态 3DGS 假设，在单目头部视频这一模态下，存在不可忽视的系统性失效。
这恰恰是后续深入开展方法论研究的最佳切入点。
导师的启示：跳出“数据工程”，回归“方法研究”
汇报结束后，导师给出的核心建议是：将视线转向基于 3DGS 的动态人脸（Talking Head）和上半身重建的开源工作。
这看似只是扩大文献阅读量，实则是在推动我完成课题重心的转移：从“静态头部重建的工程优化”走向“动态头部重建的方法学改进”。
我之前的逻辑存在一个潜意识的误区：将视频中的“动态属性”（如微表情、头部非刚体形变、边缘姿态变化）视为需要被剔除的噪声，试图用 Vanilla 3DGS 去强行拟合一个静态近似值。
导师的提醒让我醍醐灌顶：在头部视频重建中，动态不是干扰项，它就是问题本身。
一味地死磕数据预处理，也许能带来视觉效果上的微小提升，但这本质上是工程优化，极难转化为有深度的学术贡献。真正的科研创新，必须直面方法的底层缺陷。
课题的重新定义与下一阶段的破局路线
现在，我的课题定义已从单薄的“静态重建”升级为：基于 3DGS 的单目头部视频重建优化——聚焦动态场景下传统 3DGS 的表征缺陷与方法学改进。
这个定义的转变意味着我不再规避动态属性，而是将其纳入建模的核心框架中。挑战固然成倍增加——不仅需要跑通实验，更需要深入理解源码、剖析现有动态重建方法的底层逻辑，并寻找新的突破口。
科研的迷人之处往往不在于第一眼就看清终点，而在于在不断试错与实践中剥离表象，最终触及问题的本质。前期的实验是破除迷雾的必经之路，而接下来的主战场，将聚焦于以下核心路线：
- 文献溯源： 系统梳理近两年 3DGS 结合动态头部/Talking Head 的前沿工作。
- 机制拆解： 横向对比这些方法相较于 Vanilla 3DGS 的核心改进机制。
- 代码级定位： 深入源码，精确定位改进策略所在的具体模块与张量操作。
- 迁移验证： 筛选优质开源方案在自采数据集上进行 Benchmark 对比。
- 创新锚定： 基于对比实验暴露的新问题，寻找属于我自己的方法学创新点。
方向既已厘清，真正的挑战才刚刚开始。