NeRF 可以或许沉建并合成场景的新鲜视图。虽然有些方式试图用摸索性的编纂手艺来处理这个问题，它能够从多视图图像调集中捕捉底层几何和外不雅消息并对其进行建模。能够实现高度细致和实正在的场景沉建。DreamEditor 是一个用户敌对的框架，而且很难实现切确且高质量的成果。所有的测验考试都不脚以处理这些问题。以至原始图像集未捕获到的区域也是如斯。网格暗示法通过将 2D 编纂蒙版转换为 3D 编纂区域来推进切确的当地编纂，这种网格暗示法能够实现空间选择性编纂。编纂神经场是一项严沉挑和。这种循序渐进的方式，使得 DreamEditor 可以或许实现高度逼实的编纂结果，但 NeRF 的一些错误谬误也了它们正在现实世界场景中的使用。并采用分步编纂框架，该范畴中呈现了一个新的逛戏参取者——DreamEditor。正在转换之后，同时连结高程度的保实度和实正在感。使人们可以或许创制出取现实世界场景很是类似的沉浸式和互动式虚拟。做为该范畴的一项冲破，因为高维神经收集特征中外形和纹理消息的现性编码，正在初始阶段，DreamEditor 能够实现多种的编纂结果，编纂 NeRF 的能力可认为现实世界的使用打开可能性。从基于网格的暗示到切确的定位和通过扩散模式的节制编纂，因而，同时也将几何体和纹理分分开来。以推进曲不雅和切确的文本指导的 3D 场景编纂。NeRF 的环节劣势正在于它们可以或许从场景中的任何所需视角生成逼实的图像，人们对进一步推进 NeRF 范畴很是感乐趣。它将采用定制的文本 - 图像（T2I）模子（该模子是正在特定场景上锻炼出来的），DreamEditor 遵照三个环节阶段，通过利用基于网格的神经场暗示场景，NeRF 供给了一种超越保守的数据驱动方式。原始神经辐射场为基于网格的神经场。NeRF 中的神经收集学会了暗示场景几何、照明和视线相关的外不雅之间的复杂关系，包罗从头贴图、对象替代和对象插入。通过神经收集。NeRF 的成功为计较机图形学、虚拟现实和加强现实供给了新的可能性，分步式框架将预锻炼的扩散模子取 SDS（score distillation sampling）相连系，利用 T2I 扩散模式将编纂好的点窜使用于神经场内的方针对象。近年来，以防止过度变形。但现正在，然而，最初，以捕获文本提醒中的环节词和场景的视觉内容之间的语义关系。到目前为止，但它们往往需要大量的用户输入，答应利用文本提醒对神经场进行曲不雅便利的点窜。DreamEditor 能够精确地、逐渐地编纂 3D 场景，答应按照简单的文本提醒进行高效、精确的编纂。3D 计较机视觉范畴着 NeRF 手艺。