通过引入 `LatentEditor` 框架，利用文本提示实现对神经场的精确和局部控制编辑，从而在潜空间中实现更快速、更适应性强的 3D 场景编辑。

Dec, 2023

我们介绍了一种名为 ED-NeRF 的创新的三维 NeRF 编辑方法，通过将真实场景嵌入潜变扩散模型的潜入空间中，通过独特的细化层，实现了更快速和更易编辑的 NeRF 骨干，同时我们提出了一种改进的针对编辑的损失函数，这一损失函数在编辑目的上优于传统的得分扩散采样损失。实验结果表明，ED-NeRF 在更快的编辑速度和更好的输出质量方面胜过现有的最先进的三维编辑模型。

Oct, 2023

借助学习解耦的潜在表示，包括新颖的网络架构、解耦损失和新的编辑过程，我们旨在解决通过文本进行三维形状编辑时面临的挑战，并提出了称为逐部分编辑精度的新度量方法来评估编辑的区域范围，并表明我们的方法在编辑局部精度方面优于现有方法约 20％，在语言参考分辨率准确性方面高达 6.6％。

Dec, 2022

本文介绍了一种基于耦合表示和神经体积优化的新方法，在潜在空间中隐式地进行 3D 形状编辑。该方法通过耦合神经形状（CNS）表示来支持 3D 形状编辑，并且通过 CNS 优化来实现多种编辑结果。实验证明，该方法具有强大的能力，优于现有方法。

Feb, 2024

本文提出了一种名为 Local Editing NeRF（LENeRF）的方法，可以通过文本输入进行精细和本地化的 3D 内容操作，其中利用了三种 add-on 模块：潜在残差映射器、注意场网络和变形网络，通过估算 3D 注意场来实现 3D 特征的局部操作。

Jun, 2023

通过语言指导的 3D 感知编辑，本研究利用图像编辑工具对基于底层 3D 场景的对象进行编辑，介绍了 OBJECT 数据集和 3DIT 模型的能力。

Jul, 2023

通过将空间感知图像编辑任务转化为多层隐变量分解和多层隐变量融合两个子任务，结合遮罩自注意力和抑制伪影技术，我们提出了一种统一的框架，实现精确图像编辑，并证明该方法在各种准确图像编辑任务中的性能超过了最新的空间编辑方法。

Mar, 2024

GSEdit 是一个基于高斯打样模型的文本引导下的三维物体编辑管道，它能够在几分钟内通过消费者硬件，编辑三维物体的风格和外观而不破坏其主要细节。

Mar, 2024

本文研究分布式表征编辑的问题，并将神经编辑器与编辑编码器结合起来，可以学习表示编辑的重要信息，并用于将编辑应用于新输入。我们在自然语言和源代码编辑数据上进行实验，结果表明我们的神经网络模型学习捕捉了编辑的结构和语义。希望这个有趣的任务和数据源能够激发其他研究者进一步研究这一问题。

Oct, 2018

我们提出了一种新颖的，无需训练的方法，用于实现基于扩散模型的真实图像的文本编辑。我们的方法利用潜在空间对齐（LASPA）有效地保留图像细节，通过扩散过程与参考图像进行空间引导，从而实现语义上连贯的编辑。该方法无需复杂的优化和昂贵的模型微调，与之前的方法相比，编辑速度显著提高。此外，我们的方法避免了大型微调模型的存储要求。这些优势使得我们的方法特别适用于移动设备和需要快速响应时间的应用。尽管简单快速，我们的方法在用户研究中获得了 62-71％的偏好，并且在模型编辑强度和图像保护评分方面表现显著优越。

Mar, 2024