CVPR 2024 | 仅需文本或图像提示，新框架CustomNeRF精准编辑3D场景

美图影像研究院（MT Lab）与中国科学院信息工程研究所、北京航空航天大学、中山大学共同提出了 3D 场景编辑方法 ——CustomNeRF，同时支持文本描述和参考图像作为 3D 场景的编辑提示，该研究成果已被 CVPR 2024 接收。

自 2020 年神经辐射场 (Neural Radiance Field, NeRF) 提出以来，将隐式表达推上了一个新的高度。作为当前最前沿的技术之一，NeRF 快速泛化应用在计算机视觉、计算机图形学、增强现实、虚拟现实等领域，并持续受到广泛关注。

有赖于易于优化和连续表示的特点，NeRF 在 3D 场景重建中有着大量应用，也带动了 3D 场景编辑领域的研究，如 3D 对象或场景的纹理重绘、风格化等。为了进一步提高 3D 场景编辑的灵活性，近期基于预训练扩散模型进行 3D 场景编辑的方法也正在被大量探索，但由于 NeRF 的隐式表征以及 3D 场景的几何特性，获得符合文本提示的编辑结果并非易事。

为了让文本驱动的 3D 场景编辑也能够实现精准控制，美图影像研究院（MT Lab）与中国科学院信息工程研究所、北京航空航天大学、中山大学，共同提出了一种将文本描述和参考图像统一为编辑提示的 CustomNeRF 框架，可以通过微调预训练的扩散模型将参考图像中包含的特定视觉主体 V∗嵌入到混合提示中，从而满足一般化和定制化的 3D 场景编辑要求。该研究成果目前已被 CVPR 2024 收录，代码已开源。

• 论文链接：https://arxiv.org/abs/2312.01663

• 代码链接：https://github.com/hrz2000/CustomNeRF

                                 ^{图 1：CustomNeRF 在文本驱动（左）和图像驱动（右）的编辑效果}

CustomNeRF 解决的两大挑战

目前，基于预训练扩散模型进行 3D 场景编辑的主流方法主要分为两类。

其一，是使用图像编辑模型迭代地更新数据集中的图像，但是受限于图像编辑模型的能力，会在部分编辑情形下失效。其二，则是利用分数蒸馏采样（SDS）损失对场景进行编辑，但由于文本和场景之间的对齐问题，这类方法在真实场景中无法直接适配，会对非编辑区域造成不必要的修改，往往需要 mesh 或 voxel 等显式中间表达。

此外，当前的这两类方法主要集中在由文本驱动的 3D 场景编辑任务中，文本描述往往难以准确表达用户的编辑需求，无法将图像中的具体概念定制化到 3D 场景中，只能对原始 3D 场景进行一般化编辑，因此难以获得用户预期中的编辑结果。

事实上，获得预期编辑结果的关键在于精确识别图像前景区域，这样能够在保持图像背景的同时促进几何一致的图像前景编辑。

因此，为了实现仅对图像前景区域进行准确编辑，该论文提出了一种局部 - 全局迭代编辑（LGIE）的训练方案，在图像前景区域编辑和全图像编辑之间交替进行。该方案能够准确定位图像前景区域，并在保留图像背景的同时仅对图像前景进行操作。

此外，在由图像驱动的 3D 场景编辑中，存在因微调的扩散模型过拟合到参考图像视角，所造成的编辑结果几何不一致问题。对此，该论文设计了一种类引导的正则化，在局部编辑阶段仅使用类词来表示参考图像的主体，并利用预训练扩散模型中的一般类先验来促进几何一致的编辑。

CustomNeRF 的整体流程

如图 2 所示，CustomNeRF 通过 3 个步骤，来实现在文本提示或参考图像的指导下精确编辑重建 3D 场景这一目标。

                                   ^{图 2 CustomNeRF 的整体流程图}

首先，在重建原始的 3D 场景时，CustomNeRF 引入了额外的 mask field 来估计除常规颜色和密度之外的编辑概率。如图 2（a） 所示，对于一组需要重建 3D 场景的图像，该论文先使用 Grouded SAM 从自然语言描述中提取图像编辑区域的掩码，结合原始图像集训练 foreground-aware NeRF。在 NeRF 重建后，编辑概率用于区分要编辑的图像区域（即图像前景区域）和不相关的图像区域（即图像背景区域），以便于在图像编辑训练过程中进行解耦合的渲染。

其次，为了统一图像驱动和文本驱动的 3D 场景编辑任务，如图 2（b）所示，该论文采用了 Custom Diffusion 的方法在图像驱动条件下针对参考图进行微调，以学习特定主体的关键特征。经过训练后，特殊词 V∗可以作为常规的单词标记用于表达参考图像中的主体概念，从而形成一个混合提示，例如 “a photo of a V∗ dog”。通过这种方式，CustomNeRF 能够对自适应类型的数据（包括图像或文本）进行一致且有效的编辑。

在最终的编辑阶段，由于 NeRF 的隐式表达，如果使用 SDS 损失对整个 3D 区域进行优化会导致背景区域发生显著变化，而这些区域在编辑后理应与原始场景保持一致。如图 2（c）所示，该论文提出了局部 - 全局迭代编辑（LGIE）方案进行解耦合的 SDS 训练，使其能够在编辑布局区域的同时保留背景内容。

具体而言，该论文将 NeRF 的编辑训练过程进行了更精细的划分。借助 foreground-aware NeRF，CustomNeRF 可以在训练中灵活地控制 NeRF 的渲染过程，即在固定相机视角下，可以选择渲染前景、背景、以及包含前景和背景的常规图像。在训练过程中，通过迭代渲染前景和背景，并结合相应的前景或背景提示，可以利用 SDS 损失在不同层面编辑当前的 NeRF 场景。其中，局部的前景训练使得在编辑过程中能够只关注需编辑的区域，简化复杂场景中编辑任务的难度；而全局的训练将整个场景考虑在内，能够保持前景和背景的协调性。为了进一步保持非编辑区域不发生改变，该论文还利用编辑训练前的背景监督训练过程中所新渲染的背景，来保持背景像素的一致性。

此外，图像驱动 3D 场景编辑中存在着加剧的几何不一致问题。因为经过参考图像微调过的扩散模型，在推理过程中倾向于产生和参考图像视角相近的图像，造成编辑后 3D 场景的多个视角均是前视图的几何问题。为此，该论文设计了一种类引导的正则化策略，在全局提示中使用特殊描述符 V*，在局部提示中仅使用类词，以利用预训练扩散模型中包含的类先验，使用更几何一致的方式将新概念注入场景中。

实验结果

如图 3 和图 4 展示了 CustomNeRF 与基线方法的 3D 场景重建结果对比，在参考图像和文本驱动的 3D 场景编辑任务中，CustomNeRF 均取得了不错的编辑结果，不仅与编辑提示达成了良好的对齐，且背景区域和原场景保持一致。此外，表 1、表 2 展示了 CustomNeRF 在图像、文本驱动下与基线方法的量化比较，结果显示在文本对齐指标、图像对齐指标和人类评估中，CustomNeRF 均超越了基线方法。

                                  ^{图 3 图像驱动编辑下与基线方法的可视化比较}

                               ^{图 4 文本驱动编辑下与基线的可视化比较}

                                   ^{表 1 图像驱动编辑下与基线的定量比较}

                                   ^{表 2 文本驱动编辑下与基线的定量比较}

总结

本论文创新性地提出了 CustomNeRF 模型，同时支持文本描述或参考图像的编辑提示，并解决了两个关键性挑战 —— 精确的仅前景编辑以及在使用单视图参考图像时多个视图的一致性。该方案包括局部 - 全局迭代编辑（LGIE）训练方案，使得编辑操作能够在专注于前景的同时保持背景不变；以及类引导正则化，减轻图像驱动编辑中的视图不一致，通过大量实验，也验证了 CustomNeRF 在各种真实场景中，能够准确编辑由文本描述和参考图像提示的 3D 场景。