GaussianEditor：快速可控的三维 GS 场景编辑

Paper: Chen Y, Chen Z, Zhang C, et al. GaussianEditor: Swift and Controllable 3D Editing with Gaussian Splatting[J]. arXiv preprint arXiv:2311.14521, 2023.
Introduction: https://buaacyw.github.io/gaussian-editor/
Code: https://github.com/buaacyw/GaussianEditor

本篇的 GaussianEditor 来自南洋理工大学，是首个基于 3D Gaussian Splatting 的三维场景编辑方法，能够在 5 ~ 10 分钟内完成对原有 3D GS 表示的三维场景的编辑任务。GaussianEditor 保留了 Instruct-NeRF2NeRF 中多视角使用 InstructPix2Pix 的编辑策略，并在此基础上扩展了增加和删除元素的功能。

GaussianEditor 使用语义信息分类场景中的元素，即通过使用 SAM 模型对二维图像进行分割并标注语义，然后将语义信息反向投影到 Gaussians。为了限制 GS 的过度流动导致的难以收敛，GaussianEditor 采用了分层 GS 架构，对不同训练时期的 Gaussians 施加不同的约束。

一. 研究思路

在三维场景编辑领域，传统的基于 mesh 或点云的显示三维场景表示方法难以精确刻画细节，基于 NeRF 的隐式三维场景表示方法处理速度太慢并且不易精准控制编辑区域。因此文中引入最新的三维场景表示方法 —— 3D Gaussian splatting，在 3D-GS 的基础上提出 GaussianEditor，从而更快更精准地进行三维场景编辑。

编辑 GS 首先需要精准识别目标 Gaussians，GaussianEditor 提出的方法是语义追踪 (Gaussian semantic tracing)：将二维图像的分割 mask 反向投影 (unprojection) 到 Gaussians，为每个 Gaussian 分配语义标签 (semantic tag)。（但在具体实现的实验中，作者团队只将其用于 Object Removal。）

然而，GS 编辑引入的高度随机生成式引导 (random generative guidance) 导致优化 GS 时 3D-GS 过度流动 (excessive fluidity)，因此难以收敛。于是，GaussianEditor 提出了新的架构 —— 分层 GS (hierarchical Gaussian splatting, HGS)：对训练早期的 Gaussians 施加严格约束，以减少流动性，从而保持原始状态；对训练后期的 Gaussians 放宽约束，以增强适应性，从而刻画细节。

随机生成式引导优化 GS 难以收敛的一种合理解释是 GS 没有 NeRF 的神经网络作缓冲，参数的随机性会直接暴露在当前结果中导致大量的 Gaussians 更新。

GaussianEditor 保留 InstructPix2Pix 作引导，并且扩展了增加和删除元素的功能，设计了相应的 3D inpainting 算法。删除元素时，删除相应的 Gaussians 然后投影到 2D 图像上使用周围元素进行填充；增加元素时，用户在视图上绘制 mask 并提供 prompt 文本，GaussianEditor 通过 2D inpainting 技术在该视图上增加元素，然后通过 image-to-3D 技术生成 mesh，再将其转换成 HGS 表示。

二. GaussianEditor 模型

记 prompt 文本为 $y$；第 $i$ 轮 GS 参数为 Θ i = { x i , s i , q i , α i , c i } \Theta_i=\{x_i, s_i, q_i, \alpha_i, c_i\} Θi​={xi​,si​,qi​,αi​,ci​}，分别表示 Gaussian 的三维位置、缩放矩阵、旋转矩阵、透明度和球谐系数；训练完成得到目标场景 ${\Theta }_y$。

三. Gaussian semantic tracing

（笔者复现实验后发现，semantic tracing 只在 Object Removal 前执行，为了给场景中的目标 Gaussians 分配语义信息。Gaussian semantic tracing 需要用户 click 以提取元素并提供其 group name。）

GaussianEditor 为每个 Gaussian 增加语义标签 $m$，$m_{ij}$ 表示第 $i$ 个 Gaussian 第 $j$ 个语义的值。训练场景时，新增的 Gaussian（即致密化过程）继承原有 Gaussian 的语义标签。编辑场景时，只需要根据语义标签更新特定的 Gaussians 的属性。

为了获得 Gaussians 的语义标签：先使用 SAM 分割训练图像得到 mask $\mathcal{M}$，其中 ${\mathcal{M}}_j$ 表示第 $j$ 个语义的值；然后将二维图像的语义信息按像素逆向映射到三维 Gaussians 中。但由于像素 ray tracing 时会经过三维空间中的多个 Gaussians，因此对逆向映射过程中的 Gaussians 编号，记 $w_{ij}$ 表示第 $i$ 个 Gaussian 第 $j$ 个语义的权重。$w_{ij}$ 从 pixel 逆映开始便不断累加，因此有：
$$w_i^j=\sum o_i(\mathbf{p})\ast T_i^j(\mathbf{p})\ast {\mathcal{M}}^j(\mathbf{p})$$

训练完成后，可以通过比较 Gaussians 第 $j$ 个语义的权重是否达到阈值来确定是否属于该语义类别。

四. Hierarchical Gaussian Splatting

3D-GS 过度流动导致其难以收敛，因此引入了分层 GS 架构：对训练早期的 Gaussians 施加严格约束以减少流动性，对训练后期的 Gaussians 放宽约束以增强适应性。

具体来说，标记当前 Gaussian 的某一属性 $P$ 的值为锚点状态 (anchor state)，记为 $\hat{P}$。于是有锚定损失 (anchor loss)：
$${\mathcal{L}}_{\text{anchor }}^P=\sum _{i=0}^n{\lambda }_i{\left(P_i-{\hat{P}}_i\right)}^2$$

Densification 时将 Gaussian 各属性的锚定损失加入损失函数以约束 Gaussian 的状态变化：
L = L Edit  + ∑ P ∈ { x , s , q , α , c } λ P L anchor  P \mathcal{L}=\mathcal{L}_{\text {Edit }}+\sum_{P \in\{x, s, q, \alpha, c\}} \lambda_P \mathcal{L}_{\text {anchor }}^P L=LEdit ​+P∈{x,s,q,α,c}∑​λP​Lanchor P​

GaussianEditor 还将 densification 的阈值改为百分比，即只选择那些三维位置梯度在前 k% 范围内的 Gaussians 进行 densification。

五. 3D Inpainting

GaussianEditor 保留了 InstructPix2Pix 的场景编辑引导，并在此基础上扩展了增加和删除元素的功能，为此设计了相应的 3D inpainting 算法。

1. Object Removal

笔者原以为 GS 要想删除元素可以直接根据 Gaussians 的语义标签删除对应 Gaussians，但事实并非如此，因为：
（1）一个 Gaussian 可能属于多个对象（即语义标签中多个权重超过阈值），这也解释了对象连接处的伪影问题；
（2）整个 GS 场景都是根据训练视图训练得到的，删除某个对象对应的 Gaussians 后原本遮挡的位置并不能因为显式表达而直接显现，因为该区域的颜色特征并没有经过训练。

Object Removal 前需要先进行 semantic tracing，为场景中的目标 Gaussians 分配语义信息。然后通过语义标签筛选满足语义类别要求的 Gaussians 并删除，并使用 KNN 聚类被删除 Gaussians 周围的 Gaussians 并将其投影到训练视图得到 mask，再使用 2D Inpainting 方法（其实就是 Stable Diffusion 进行监督）进行填充。

2. Object Incorporation

在原始场景 $\theta$ 上增加元素时，不仅需要 prompt 文本 $y$，还需要用户在某一机位 $p$ 视角下的渲染图像 $I$ 上绘制的 mask $M$。

在给定 $I$、$M$、$y$ 后，使用 2D inpainting diffusion 模型 —— Sdxl ¹，根据 $y$ 的指示在 $I$ 的 $M$ 处局部生成图像；然后使用 image-to-3D 技术 —— Wonder3d ²，将 $I$ 生成 3D mesh；再将 mesh 转换成 Gaussians ${\theta }_y$。

虽然用户在 $I$ 上绘制了 $M$ 的具体位置，但无法保证其深度。因此，为了让 ${\theta }_y$ 和 $\theta$ 对齐，使用 DPT ³ 技术粗略估计其深度，再使用最小二乘法将估算的深度与在机位 $p$ 视角下由 $\theta$ 渲染的深度图对齐。

六. 总结

GaussianEditor 为每个 Gaussian 分配语义标签，以区分场景中的元素。为了限制 GS 的过度流动导致的难以收敛，采用了分层 GS 架构，对不同训练时期的 Gaussians 施加不同的约束。为了在三维场景中增加和删除元素，GaussianEditor 还设计了相应的 3D inpainting 算法。

七. 复现

• 平台：AutoDL
• 显卡：RTX A5000 24G
• 镜像：PyTorch 2.0.0、Python 3.8(ubuntu20.04)、Cuda 11.8
• 源码：https://github.com/buaacyw/GaussianEditor

实验过程：

1. 创建 conda 环境一直不成功，索性直接在当前环境下使用 pip 安装（即 Option two）；

2. 安装 requirements.txt 里依赖项时，Pillow 9.5.0 与其他项产生冲突，将其降为 Pillow 9.3.0 即可：
   

3. 在克隆完作者 fork 的 viser 仓库后，使用 pip install -e viser 本地安装可编辑 viser 时，遇到报错显示无法以编辑模式安装：Directory cannot be installed in editable mode: /root/GaussianEditor/extern/viser (A "pyproject.toml" file was found, but editable mode currently requires a setuptools-based build.)。升级 pip ⁴ 后就可以顺利安装：pip install --upgrade pip；

4. 下载完 Wonder3D 的 checkpoints 后，继续按照 WebUI Guide 进行编辑；

5. 直接在服务器上下载数据集和预训练的 3D-GS 模型要耗时数天，可以先下载到本地再上传并解压；

6. AutoDL 的系统盘只有 30G，不足以支持近 40G 的数据集和预训练模型，因此将其放入数据盘；
   

7. 执行 python webui.py --colmap_dir ../autodl-tmp/dataset/bicycle --gs_source ../autodl-tmp/dataset/bicycle/point_cloud/iteration_7000/point_cloud.ply 指令启动 WebUI，出现 npm ERR：
   

   安装 Node.js 和 npm 并配置 npm 接受自签名证书：

   # 安装 Node.js 和 npm
   sudo apt update
   sudo apt install nodejs
   sudo apt install npm
   # 验证 Node.js 和 npm 是否正确安装
   node -v
   npm -v
   # 配置 npm 接受自签名证书
   npm config set strict-ssl false
   

   此时再启动 WebUI 又出现自签名证书无法建立安全连接的问题，因为 npm 无法验证证书的有效性：
   
   将 npm 的 registry 设置为淘宝镜像地址，绕过 registry.npmjs.org 的证书验证：

   npm config set registry https://registry.npm.taobao.org
   

   安装 yarn：

   npm install -g yarn
   

   更新 Node.js 和 npm 版本：

   # 安装 NVM 在同一台计算机上管理多个 Node.js 版本
   curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.38.0/install.sh | bash
   # 重启终端
   source ~/.bashrc
   # 安装并升级 Node.js
   nvm install node
   

   全局安装 TypeScript：

   npm install -g yarn
   yarn global add typescript
   

   禁用 HTTPS：

   yarn config set strict-ssl false
   

   经过上面一通操作后成功启动 WebUI。

8. 使用 AutoDL 转发网页时无法直接使用 ssh 指令转发，需要按照 AutoDL帮助文档 | VSCode远程开发 配置端口转发。转发至本机的 WebUI (127.0.0.1:8084) 如下：
   

9. GaussianEditor 提供的 WebUI 可以进行基本渲染设置：分辨率调节、视场缩放、机位切换；
   
   
   

10. Delete 场景内元素时，出现 RuntimeError: Function _RasterizeGaussiansBackward returned an invalid gradient at index 2 - got [0, 0, 3] but expected shape compatible with [0, 16, 3] 报错，一开始以为是 Colmap 数据集的问题 ⁵ 。后来发现是删除元素前没有进行 Semantic tracing；

11. Delete 场景内元素前 Semantic tracing 时，出现 torch.cuda.OutOfMemoryError: CUDA out of memory. 报错，因为 SAM 添加的点过多，选取几个点能将 mask 提取出来即可；

12. Add 场景内元素时，将 2D Inpainting 的结果扩展到三维场景的过程中出现 FileNotFoundError: [Errno 2] No such file or directory: '.cache/dpt/omnidata_dpt_depth_v2.ckpt' 报错，可能是之前清理系统盘空间的时候删除了所有缓存（rm -rf /root/.cache）。手动下载 omnidata_dpt_depth_v2.ckpt 后上传至 .cache/dpt 即可，并将 GaussianEditor/threestudio/utils/dpt.py 的 1004 和 1013 行的 path 变量前加上 ../。后续清理系统盘时保留 .cache/dpt 下文件：find /root/.cache -mindepth 1 ! -path '/root/.cache/dpt*' -delete；

13. Add 场景内元素时，解决完 omnidata_dpt_depth_v2.ckpt' 的问题后，又出现 FileNotFoundError: [Errno 2] No such file or directory: '/root/GaussianEditor/add_cache/add_bear/inpaint_a_teddy_bear_on_bench/inpaint_gs.obj' 报错，尚未解决；

14. 使用 Command Line 编辑场景时，出现 OSError: Unknown compute capability. Ensure PyTorch with CUDA support is installed. 报错。一开始以为是 CUDA 版本太低（实验要求 11.7 或 11.8，本机只有 11.3），于是更换配有更高版本 CUDA 的显卡，但还是相同报错：
    
    后来又推测是 tinycudann 的问题，尝试了 ^{6 7} 都没能解决，重配了两台也还是同样的问题。最后发现是 GPU 指定错了，将 --gpu 1 改为 --gpu 0 即可。正确的 Add 编辑的 Command Line 指令 ⁸ 如下：

    # Add a teddy bear on bench
    python launch.py --config configs/add.yaml --train --gpu 0 data.source=../autodl-tmp/dataset/bicycle system.gs_source=../autodl-tmp/dataset/bicycle/point_cloud/iteration_7000/point_cloud.ply system.inpaint_prompt="a teddy bear on bench" system.refine_prompt="make it a teddy bear" system.cache_overwrite=False system.cache_dir="add_bear"  trainer.max_steps=1  system.loggers.wandb.enable=true system.loggers.wandb.name="add_bear"
    

实验结果：

使用 WebUI，以 7k 轮 GS 训练的 bicycle 结果作为原始场景，即 python webui.py --colmap_dir ../autodl-tmp/dataset/bicycle --gs_source ../autodl-tmp/dataset/bicycle/point_cloud/iteration_7000/point_cloud.ply。

1. Edit Type：Edit，Guidance Type：InstructPix2Pix，Text：Make the grass on fire；
   

2. Edit Type：Edit，Guidance Type：InstructPix2Pix，Text：Make it winter；
   

3. Edit Type：Add，Text：A teddy bear on bench；
   
   （Draw Bounding Box 时，先在视图上 click 一个点作为 Left UP，再click 一个点作为 Right Down，不需要拖动鼠标）；

4. Edit Type：Add，Text：A rabbit on grass；
   

5. Edit Type：Add，Text：A child riding the bike；
   

6. Edit Type：Add，Text：A cup of coffee on the table；
   

7. Edit Type：Delete，Text：The bench；
   
   

8. Edit Type：Delete，Text：The bike；
   
   

9. Edit Type：Delete，Text：The vase；
   
   

10. Edit Type：Delete，Text：The table；
    
    

Weakness：

1. 增加场景内元素时，2D inpainting 的结果不稳定，经常出现 四肢或五官不协调、数量混乱、甚至添加错误元素等问题。以 Add a teddy bear on bench 为例，2D inpainting 生成的令人满意的结果不足 30%：
   

2. 对于稍微精细一点的 Add 指令，如 复杂的位置信息，2D inpainting 难以令人满意。以下分别是 Add a child riding the bike、Add a tiger behind bench 的结果：
   
   

3. 删除场景内元素时，SAM 提取 2D mask 的结果很理想，但 lift 到 3D mask 的结果不稳定，甚至缺失准确度：
   

4. 删除场景内元素时，即使得到的 3D mask 非常准确，编辑场景后也会有很明显的伪影：
   

---

1. Podell D, English Z, Lacey K, et al. Sdxl: Improving latent diffusion models for high-resolution image synthesis[J]. arXiv preprint arXiv:2307.01952, 2023. ↩︎

2. Long X, Guo Y C, Lin C, et al. Wonder3d: Single image to 3d using cross-domain diffusion[J]. arXiv preprint arXiv:2310.15008, 2023. ↩︎

3. Ranftl R, Bochkovskiy A, Koltun V. Vision transformers for dense prediction[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2021: 12179-12188. ↩︎

4. pip install -e viser #2 ↩︎

5. Using custom number of points#482 ↩︎

6. OSError: Unknown compute capability. Ensure PyTorch with CUDA support is installed.
   #1177 ↩︎

7. tinny-cuda wont install. CUDA not found#1206 ↩︎

8. GaussianEditor/script/ ↩︎