NeRF的出现让三维重建和视图合成质量迈上了一个新台阶，只需一组多视角照片，就能训练出一个逼真的隐式场景表示。然而隐式表示是把双刃剑：渲染效果好，编辑却极其困难。你没办法像操作传统网格那样，直接拉动NeRF中的某个顶点，或者用画笔修改其中一处的颜色属性。NeRF-Editing正是为解决这个问题而生的，它提供了一套完整的几何变形与纹理编辑管线，让用户可以用熟悉的网格编辑工具直接操控神经辐射场。
NeRF为什么难以直接编辑
要理解NeRF-Editing的设计思路，首先得弄清楚NeRF难编辑的根源。NeRF用一个多层感知机MLP把空间坐标和观察方向映射为密度与颜色，整个场景信息被压缩在网络权重里。这种隐式表示没有显式的顶点、边、面片结构，用户无法像在Blender或Maya里那样选中一块区域直接拖动。
其次，NeRF的训练目标只是拟合输入照片，网络内部的空间场并不稳定。如果你强行对采样坐标做某种变换再去查询网络，很容易出现密度场错乱、渲染出现空洞或伪影的情况。简单地对查询点做仿射变换，只能实现平移、旋转、缩放这类全局刚性变化，无法完成局部弯曲、扭转等自由形变。
另外，纹理编辑也存在同样的问题。NeRF的颜色是视角相关的，由位置和观察方向共同决定，直接在网络输出端改颜色，很难保证新视角渲染的一致性。所以一个可行的编辑框架，必须同时解决几何变形的可微传播和纹理修改的多视角一致性两个难题。
NeRF-Editing的整体管线
NeRF-Editing的核心想法是借用成熟的网格编辑生态。整个流程分为三个阶段。第一步，从预训练好的NeRF中提取等值面网格，通常使用Marching Cubes算法在密度场上抽取一个显式网格，这个网格既保留了场景的几何细节，又天然支持各种网格编辑工具。
第二步，用户在这个网格上任意执行变形操作，可以是拖拽控制点做拉普拉斯变形，也可以是自由曲面变形FFD，甚至是骨骼绑定驱动。这一阶段完全复用了传统几何处理的丰富工具链，用户不需要学习新的交互方式。
# 伪代码：从NeRF提取网格并执行用户变形 import torch # 1. 提取等值面网格（简化示意） density_field = nerf_model.query_density(point_grid) # 查询体密度 mesh = marching_cubes(density_field, isovalue=25.0) # 抽取等值面 # 2. 用户在网格上设置控制点并拖拽 control_points = select_handles(mesh, region="chair_top") target_positions = drag_handles(control_points, offset=(0.2, 0.1, 0.0)) # 3. 求解拉普拉斯变形，得到网格顶点的新位置 deformed_mesh = laplacian_deform(mesh, control_points, target_positions)
第三步是整个方法的关键：如何把网格的变形反映回NeRF。直观的做法是直接对空间点做位移，但逐点位移场无法用简单函数表达。NeRF-Editing的做法是为每个网格顶点计算变形前后的位移向量，然后在空间中构建一个可微的位移场函数，渲染NeRF时先把采样点经过这个位移场映射回原始坐标系，再送入MLP查询密度和颜色。
可微基于壳的变形机制
直接用整个空间做三线性插值的位移场，参数量和显存开销都太大。NeRF-Editing提出了基于壳的变形方案：只在提取出的网格表面附近构建一层薄壳区域，在这个壳体内对顶点位移做插值，壳外的空间点则根据距离衰减到最近的表面位移。
这样做有几个好处。第一，编辑通常只发生在物体表面附近，壳体区域的位移场已经足够描述绝大多数形变，参数量大幅下降。第二，壳体位移场是可微的，可以嵌进NeRF的体渲染流程中端到端求导，支持后续的微调优化。第三，壳外区域的衰减设计保证了远离表面的空间点也能获得合理的位移，避免渲染时出现密度断裂。
具体来说，体渲染时沿光线采样的每个点，先通过壳体位移场找到它在原始场景中的对应位置，再查询预训练NeRF的网络输出。这样几何变了，纹理颜色仍然继承自原始NeRF，表面的高频细节和视角相关效果都能保留下来。整个位移场可以用一个轻量的MLP或者稀疏插值结构来表达，训练开销远小于重新训练一个NeRF。
纹理编辑与渲染一致性
几何变形之外，NeRF-Editing还支持纹理层面的编辑。由于渲染时查询的仍然是原始NeRF，用户可以在提取出的网格上先做颜色绘制，然后通过一个微调阶段把绘制结果蒸馏回NeRF中。也就是说，把用户在网格表面涂改的颜色作为监督信号，对NeRF的MLP做少量微调，让多视角渲染结果逐渐收敛到编辑后的外观。
# 伪代码：将网格上的纹理编辑蒸馏回NeRF
for step in range(finetune_steps):
pose = random_view()
ray_points, directions = sample_rays(pose)
# 先经过变形场映射回原始坐标系
original_points = shell_deform_field(ray_points)
# 查询NeRF，渲染得到当前外观
rgb, density = nerf_mlp(original_points, directions)
rendered = volume_render(rgb, density)
# 网格上用户绘制的新纹理作为监督
target = sample_edited_texture(mesh, original_points)
loss = mse_loss(rendered, target)
loss.backward() # 更新MLP权重这种蒸馏式纹理编辑的好处是视角一致性有保障。如果只在某一张图上做2D修改再重新训练，不同视角之间容易出现颜色漂移；而在网格表面这个统一的参数域上绘制，再由体渲染自然地传播到各个视角，一致性明显更好。
同时，由于几何变形场和纹理微调是解耦的，用户可以先反复调整形状，满意后再进行纹理绘制，两个阶段互不干扰，工作流更接近传统建模软件的使用习惯。
方法效果与适用场景
从论文的实验结果看，NeRF-Editing在多个真实场景数据集上都能完成大幅度的局部变形，例如弯曲椅子靠背、拉长桌子腿部等操作，渲染质量与原始NeRF几乎持平，没有出现明显的模糊或空洞。相比早期的刚性变换方法，它支持的编辑自由度高得多；相比先提取网格再重新建模的方案，它又完整保留了NeRF的视图相关纹理和细节。
当然这套方法也有局限。当变形幅度极大导致表面严重自相交时，壳体位移场可能无法正确处理遮挡关系，渲染会出现瑕疵。此外它依赖预训练NeRF的质量，如果原始重建本身有噪声，编辑后的效果也会继承这些问题。
从应用角度看，NeRF-Editing适合影视预演、虚拟场景内容创作、游戏资产快速迭代等需要反复修改三维内容的场景。它把隐式表示的逼真渲染和显式网格的可编辑性结合起来，是后续一系列可编辑神经场景工作（如基于SDF的编辑、3D Gaussian Splatting编辑）的重要参考。理解它的壳体变形设计，对掌握当下各种神经场编辑方法都有帮助。
NeRF-Editing神经辐射场纹理编辑修改时间：2026-09-03 21:19:05