摘要
近期在三维神经表示和实例级编辑模型方面的进展已经使得高质量三维内容的高效创建成为可能。然而，实现精确的局部三维编辑仍然具有挑战性，尤其是对于高斯点云（Gaussian Splatting），由于多视角二维部分分割的一致性问题以及分数蒸馏采样（Score Distillation Sampling, SDS）损失固有的模糊性。为了解决这些局限性，我们提出了一种新的局部三维高斯编辑框架——RoMaP，该框架能够实现精确且显著的部分级修改。首先，我们引入了一个基于3D几何感知标签预测（3D-Geometry Aware Label Prediction, 3D-GALP）的鲁棒三维掩模生成模块。该模块利用球谐系数（spherical harmonics, SH）来建模视图依赖的标签变化和软标签属性，从而在不同视角下生成准确且一致的部分分割结果。其次，我们提出了一种正则化的SDS损失函数，该函数结合了标准的SDS损失和其他附加正则项。特别是通过我们的计划潜在混合和部分编辑方法（Scheduled Latent Mixing and Part, SLaMP），引入了L1锚点损失。这种方法可以生成高质量的部分编辑二维图像，并将修改限制在目标区域，同时保持上下文的一致性。此外，诸如高斯先验移除等其他正则项进一步提高了灵活性，允许超出现有上下文的更改，并且鲁棒的三维掩模防止了非预期的编辑。实验结果表明，我们的RoMaP在重建和生成的高斯场景及物体上实现了最先进的局部三维编辑效果，无论是在定性还是定量方面都表现优异，从而为更加鲁棒和灵活的部分级三维高斯编辑提供了可能。