SCION: Scene Composition with Instanced Neural Primitives

📄 arXiv: 2610.02322v1 📥 PDF

作者: William Koch, Amogh Joshi, Cyrus Vachha, Cheng Zheng, Felix Heide

分类: cs.CV

发布日期: 2026-10-01

备注: Accepted to NeurIPS 2026

💡 一句话要点

提出SCION以解决场景表示冗余与操作性不足问题

🎯 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: 神经场景表示 场景编辑 高斯压缩 计算机视觉 虚拟现实 深度学习

📋 核心要点

  1. 现有的神经场景表示方法通常独立处理场景元素，导致冗余参数和操作性不足。
  2. SCION通过引入可重用的原语和轻量级实例，提供了一种新的分层组合场景表示方法。
  3. 实验结果表明，SCION在压缩率和失真方面优于现有高斯压缩方法，并支持灵活的场景编辑。

📝 摘要（中文）

现实世界的场景具有组合性：砖块、草叶、卵石和树叶在人工和自然环境中反复出现。现有的神经场景表示方法独立建模这些元素，导致冗余参数存储和弱操作性。本文提出SCION，一种分层组合场景表示，使用可重用的原语和轻量级实例替代独立的高斯分布。通过对离散和连续场景参数的联合优化，SCION在保持高质量的同时，实现了紧凑的可控表示，且在1.2MB的大小下，达到了比现有高斯压缩方法更优的率失真表现。该方法支持实例级场景编辑和动画，无需重新训练。

🔬 方法详解

问题定义：现有的神经场景表示方法通常将场景元素视为独立的高斯分布，导致冗余参数存储和操作性不足，难以进行有效的场景编辑和动画。

核心思路：SCION通过引入可重用的原语和轻量级实例，构建分层组合场景表示，旨在减少冗余并提高操作性。该设计允许在场景中放置变换副本，从而实现更高效的表示。

技术框架：SCION的整体架构包括两个主要模块：首先是对多视角捕获数据的联合优化，其次是通过对离散和连续场景参数的优化实现高质量的场景重建。

关键创新：SCION的核心创新在于用紧凑的可重用原语替代独立的高斯分布，从而显著减少了参数冗余，并提供了更强的场景编辑能力。

关键设计：在参数设置上，SCION采用了对称的损失函数，结合对细节的对抗性损失，以确保共享原语的细节得以保留。网络结构设计上，采用了两级稠密化策略，以提高场景重建的质量和效率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，SCION在1.2MB的存储大小下，达到了比现有高斯压缩方法更优的率失真表现。该方法不仅支持实例级场景编辑和动画，还在多个基准测试中展现出显著的性能提升，具体提升幅度未知。

🎯 应用场景

SCION的研究成果在计算机视觉、虚拟现实和游戏开发等领域具有广泛的应用潜力。通过提供高效的场景表示和灵活的编辑能力，SCION可以帮助开发者更快速地创建和修改复杂场景，提升用户体验。此外，该方法的紧凑性也使其适用于资源受限的设备。

📄 摘要（原文）

Real-world scenes are compositional: bricks, blades of grass, pebbles, and tree leaves recur across human-built and natural environments. Existing neural scene representations model these elements independently. Most 3D Gaussian Splatting and follow-up abstraction and compression methods treat each element as unique, fitting millions of independent Gaussians per scene. Prior methods like Splat and Replace fit template objects, but they require mostly manual selection of repeated elements. As a result, these representations store redundant parameters and provide weak manipulation handles for downstream tasks. We introduce SCION, a hier- archical compositional scene representation that replaces independent Gaussians with a compact vocabulary of reusable primitives and lightweight world-space instances that place transformed copies throughout the scene. We fit this represen- tation to multi-view captures via a joint optimization over discrete and continuous scene parameters, combining two-level densification over splats and instances with an adversarial loss that preserves detail across shared primitives. The recovered structure yields a compact, controllable representation while maintaining high quality even at 1.2 MB. SCION achieves rate-distortion favorable to existing Gaussian compression methods, and it enables instance-level scene editing and animation without retraining. Our results show that neural scene representations need not memorize scenes as independent primitives; they can discover reusable parts. Project webpage: https://light.princeton.edu/SCION