CNS-Edit++：具有耦合神经形状表示的类别无关 3D 编辑

本文提出了一种基于耦合神经形状 (CNS) 表示和神经特征量优化的潜在空间 3D 形状编辑框架。这项工作将基于耦合神经形状优化构建的 CNS-Edit 扩展到 CNS-Edit++，通过将特定于类别的耦合表示推广到具有基础模型的与类别无关的 3D 形状编辑。耦合神经形状 (CNS) 表示将捕获高级形状语义的全局潜在代码与为局部形状操作提供空间上下文的 3D 神经特征量结合起来。然后，我们制定一个耦合的神经形状优化程序，根据给定的编辑操作共同优化这两个组件。我们的框架可以在特定类别的 3D 反演模型和与类别无关的 3D 基础模型上实例化。我们提供各种形状编辑操作符，包括复制、调整大小、删除、混合、逐点拖动和按区域拖动，每个操作符都被制定为指导 CNS 优化的目标。为了保留编辑区域之外的区域，我们进一步引入了两种互补的区域控制机制，即 KV 缓存替换和潜在特征正则化。对不同 3D 生成模型的广泛定量和定性评估证明了我们的方法比最先进的解决方案具有强大的能力。