基于旋转不变神经点场的高效细粒度3D场景编辑研究 学术背景 在计算机视觉和图形学领域，从多视角图像中建模和渲染真实场景的新视角是一个核心问题。神经辐射场（Neural Radiance Fields, NeRF）近年来在生成高质量新视角合成结果方面展现出巨大潜力，并被认为有望取代传统的显式3D表示方法，如网格或体素。然而，尽管NeRF在渲染质量上表现出色，其在场景编辑方面的能力仍然有限。现有的可编辑NeRF方法在效率和细粒度编辑能力上存在明显不足，这限制了NeRF在创造性编辑和实际应用中的潜力。 为了解决这一问题，研究人员提出了一种基于旋转不变神经点场（Rotation-Invariant Neural Point Fields）的编辑框架，旨在通过结合隐式NeRF表示和显式点表示的互补优势...