EvolvingAvatar 让 3D 头像在对话中边生成边学习，OOD-Hard 上表情统计失配最多降 11.1%

提出 EvolvingAvatar：一个在交互过程中进行测试时训练的因果生成器，无需部署时的目标动作标签，也无需预计算的用户 FLAME 轨迹。 既有生成器把到来的观测当作上下文但参数固定，作者指出这使对话模式未被用作学习信号；该工作把对话本身当作自监督适应信号，在生成过程中调整“上下文到动作”的映射。 论文给出任务形式化、区域结构化因果 FLAME 编解码器与自适应生成器的完整设计，并在附录 E 记录架构、训练目标与流式推理细节；消融中“No write”使 ID 表情 P-FD 由 16.79 升至 21.09，支持在线更新确有贡献。

Dyadic Context Prediction 用用户视频与双方音频构造自监督内目标，持久快权重在整段对话内累积更新以引导动作生成，瞬时下颌适应则响应当前发音，预测的说话活动控制持久适应如何影响动作。 相比仅用头像音频、双方音频或双方音频加估计用户动作的既有条件化方式，这里把适应状态分为跨区间保留与单区间丢弃两条路径，并用活动门控调节适应项。 匹配检查点对照显示：相对 No write、Freeze-1、No carry，完整 TTT 在 ID 上把表情 P-FD 分别降低 20.4%、4.2%、8.6%；但颈部 P-FD 相对 No write 上升 8.9%，作者说明 DCP 并不直接约束各区域的动作统计。

发布 InterHead-Bench：由单视角与双视角对话视频统一构建的 455.95 小时基准，含对齐的多模态标注与跨分布的说话/倾听评估。 dialog3d-factory 把两种录制格式统一为同一时间线，保留重叠语音与静默，并组合参数空间、网格空间指标与人类评分。 数据来自 Seamless Interaction 与 RealTalk 录制，划分为 Train、Dev、ID、OOD、OOD-Hard，共 455.95 小时交互与 4,365 个来源参与者 ID；作者同时说明这些元数据 ID 并不构成全局唯一人物标识。

实验显示对话动作统计改善，且在最难分布外划分上随对话推进而改善，人类评分在分布偏移下更偏好该方法。 作者把“与单条录制响应的一致程度”和“感知到的对话质量”区分开来：DualTalk 在 MSE 与 LVE/MHD 上更低但动作覆盖（SID）更小，而 OOD-Hard 上对 DualTalk 的总体真实感偏好为 86%。 OOD-Hard 上说话/倾听 FDD 为 19.09/18.13，对比 ARTalk 的 20.91/19.84；五个等长区间内表情 P-FD 在 OOD 与 OOD-Hard 上分别下降 2.7% 与 7.1%，而四个基线在 OOD 上变差；对 UniLS 的偏好由 ID 的 58% 升至 OOD 的 66% 与 OOD-Hard 的 72%。

该结果面向交互式 3D 头部生成这一设定：输入是因果到达的用户人脸帧与双方音频，输出是 106 维 FLAME 动作（表情、颈部姿态、下颌姿态），时间按 200 毫秒区间划分，流式执行在第五帧到达后输出五帧，带来 160 毫秒缓冲延迟，且所有状态在对话之间重置。它使研究者可以在统一时间线上比较说话与倾听、跨分布评估动作统计与感知质量，并让“在对话中学习”成为可测量的对象。作者把潜在应用指向虚拟导师，以及由人类临床医生共同参与、提供心理健康支持的头像；同时说明录制对话无法捕捉用户对生成动作的反应，实时交互中的持续学习、区分稳定表达习惯与暂时情绪反应、以及临床医生引导下评估感知支持，都是被明确留作后续工作的方向。

需要留意的是，论文自身指出成对误差指标衡量的是与某一条录制响应的一致程度，而一次交互可以容纳多种合理响应，因此 MSE、LVE、MHD 上的优势与感知质量并不等价；UniLS 在 ID/OOD 上仍保持更低的 FDD，说明匹配系数统计并不保证解码后的几何变化同样准确。颈部 P-FD 相对 No write 上升 8.9%，提示 DCP 的适应并不直接约束每个区域的动作统计。下颌流匹配、活动条件与 RGB 对比被作者标注为跨修订的探索性结果，RGB 在 OOD-Hard 上改善表情与颈部统计但在 ID/OOD 上使表情统计变差。人类偏好中 UniLS 的趋势被作者描述为描述性，因为三个不确定区间都包含等偏好。此外，本证据包为全文文本，图表以表格形式给出，图 6 等图形内容无法直接核验，若需确认区间曲线与偏好区间的具体形态，仍需查阅原文图表。