DreamCatalyst: Fast and High-Quality 3D Editing via Controlling Editability and Identity Preservation

Score distillation sampling（SDS）已成为文本驱动的3D编辑任务中一种有效的框架，因其固有的3D一致性而备受青睐。然而，现有的基于SDS的3D编辑方法存在训练时间过长和低质量结果的问题，主要是因为这些方法偏离了扩散模型的采样动态。本文提出了DreamCatalyst，这是一个新颖的框架，将基于SDS的编辑解释为扩散反向过程。我们的目标函数考虑了采样动态，从而使DreamCatalyst的优化过程成为编辑任务中扩散反向过程的近似。DreamCatalyst的目标是减少训练时间并提高编辑质量。DreamCatalyst提供两种模式：（1）更快的模式，在约25分钟内编辑NeRF场景；（2）高质量模式，在不到70分钟内产生优秀的结果。具体而言，我们的高质量模式在速度和质量方面均优于当前最先进的NeRF编辑方法。请在我们的项目页面上查看更多详细结果：https://dream-catalyst.github.io。

论文提出了DreamCatalyst框架，旨在解决现有基于Score distillation sampling (SDS)的3D编辑方法训练时间长、结果质量低的问题。

DreamCatalyst框架将SDS-based editing解释为扩散反向过程，并考虑采样动态，从而使优化过程成为编辑任务中扩散反向过程的近似。该框架旨在减少训练时间并提高编辑质量。

论文提出两种模式：速度更快的模式可以在约25分钟内编辑NeRF场景，高质量模式可以在不到70分钟内产生优秀结果。高质量模式在速度和质量上均优于当前最先进的NeRF编辑方法。论文在项目页面上提供了更详细的结果。

最近的相关研究包括SDS-based 3D editing方法和NeRF编辑方法。