What Makes a 3D Scene Editable? A Factorized Benchmark of Fidelity, Locality, Consistency, and Preservation
作者: Sariah Patro, Arjun Mehra, Nikhil Bhatia
分类: cs.CV
发布日期: 2026-09-14
💡 一句话要点
提出EditBench3D基准以评估3D场景编辑的多维度特性
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D场景编辑 神经网络 多目标评估 可编辑性 计算机视觉
📋 核心要点
- 现有的3D场景编辑方法通常只关注语义一致性，忽视了编辑结果在不同视角间的一致性和非目标内容的保留。
- 本文提出EditBench3D基准，评估编辑的指令保真度、空间局部性、视角一致性和非目标内容保留，提供了更全面的评估框架。
- 实验结果显示，语义保真度与其他编辑属性之间的关联较弱，且没有单一方法在所有评估维度上表现最佳。
📝 摘要（中文）
神经3D场景编辑通常仅通过语义一致性进行评估，但令人信服的结果可能会改变无关内容或在不同视角间不一致。本文引入了EditBench3D，一个与表示无关的基准，将编辑视为受控信息替换。它评估四个互补属性：指令保真度、空间局部性、视角一致性和非目标内容的保留。该协议结合了可见性感知的3D目标支持、配对描述、保留相机和涵盖外观、材料、几何和对象级变化的五个编辑类别。我们在240个场景编辑对上评估了八种代表性的NeRF、3D高斯点云、混合和代理编辑器。研究表明，语义保真度与其他编辑属性仅弱相关，且没有单一方法在所有维度上最优。显式高斯编辑器提供了良好的整体平衡，而直接代理操作则以开放式保真度为代价提供了最保守的编辑。这些发现支持将可编辑性报告为多目标特征，而非单一语义分数。
🔬 方法详解
问题定义：本文旨在解决现有3D场景编辑方法在评估时仅依赖语义一致性的问题，导致编辑结果可能不一致或改变无关内容。
核心思路：论文提出EditBench3D基准，通过将编辑视为受控信息替换，评估多个维度的编辑质量，以实现更全面的评估。
技术框架：该框架包括可见性感知的3D目标支持、配对描述、保留相机和五个编辑类别，涵盖外观、材料、几何和对象级变化。
关键创新：最重要的创新在于将编辑评估视为多目标特征，而非单一的语义分数，从而提供了更全面的评估方法。
关键设计：在实验中，使用了240个场景编辑对，评估了八种不同类型的编辑器，重点关注指令保真度、空间局部性、视角一致性和非目标内容的保留。实验设计中考虑了不同的相机视角和编辑类型，以确保评估的全面性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，显式高斯编辑器在多个维度上表现出色，提供了良好的整体平衡，而直接代理操作则在保守编辑方面表现突出。整体上，语义保真度与其他属性的关联较弱，强调了多目标评估的重要性。
🎯 应用场景
该研究的潜在应用领域包括虚拟现实、游戏开发和建筑可视化等，能够帮助开发者更好地理解和实现3D场景的可编辑性。未来，该基准可能推动3D编辑工具的标准化和优化，提高用户体验和编辑效率。
📄 摘要（原文）
Neural 3D scene editing is often evaluated by semantic alignment alone, although a convincing result may alter unrelated content or become inconsistent across views. We introduce EditBench3D, a representation-agnostic benchmark that treats editing as controlled information replacement. It evaluates four complementary properties: instruction fidelity, spatial locality, cross-view consistency, and preservation of non-target content. The protocol combines visibility-aware 3D target supports, paired descriptions, held-out cameras, and five edit families covering appearance, material, geometry, and object-level changes. We evaluate eight representative NeRF, 3D Gaussian Splatting, hybrid, and proxy-based editors on 240 scene-edit pairs. The study shows that semantic fidelity is only weakly associated with the other editing properties, and that no single method is optimal across all dimensions. Explicit Gaussian editors offer a strong overall balance, whereas direct proxy manipulation provides the most conservative edits at the cost of open-ended fidelity. These findings support reporting editability as a multi-objective profile rather than a single semantic score.