3Dシーン編集2026/9/14arXiv:2609.14899

3Dシーン編集の評価ベンチマークEditBench3D：忠実性・局所性・一貫性・保存性の分解

What Makes a 3D Scene Editable? A Factorized Benchmark of Fidelity, Locality, Consistency, and Preservation

3Dシーン編集を「制御された情報置換」と捉え、指示忠実性・空間局所性・視点間一貫性・非対象保存性の4指標で評価するベンチマークEditBench3Dを提案し、8手法を比較した。

詳しい要約

1. どんなもの？

- 3D scene editing の評価ベンチマーク EditBench3D を提案 - 編集を「制御された情報置換」と捉える - 評価軸は instruction fidelity, spatial locality, cross-view consistency, preservation of non-target content の4つ - representation-agnostic な設計 - 5つの edit families をカバー - 240 scene-edit pairs で8手法を評価

2. 先行研究と比べてどこがすごい？

- 従来は semantic alignment のみで評価されがち - 無関係な内容の変化や視点間の不整合を見落とす問題を指摘 - 4つの相補的性質を同時に測る点が新しい - visibility-aware 3D target supports や held-out cameras を導入 - 単一スコアではなく multi-objective profile として editability を報告すべきと主張

3. 技術・手法の肝は？

- 編集を controlled information replacement として定式化 - visibility-aware 3D target supports を利用 - paired descriptions を用意 - held-out cameras で cross-view consistency を評価 - appearance, material, geometry, object-level を含む5 edit families - NeRF, 3D Gaussian Splatting, hybrid, proxy-based editors を横断評価

4. どうやって有効だと検証した？

- 8つの代表的な editor を 240 scene-edit pairs で評価 - semantic fidelity と他3性質の関連は弱いことを示す - 全次元で最適な単一手法は存在しないと報告 - explicit Gaussian editors は全体バランスが強い - direct proxy manipulation は保守的編集だが open-ended fidelity を犠牲にする

5. 議論はある？

- semantic fidelity だけでは編集品質を捉えきれない - 編集性能は多次元プロファイルで報告すべき - 手法選択は目的に応じたトレードオフになる - ベンチマークの限界や一般化可能性は要旨からは不明 - 各 edit family 間の詳細な差異は要旨からは不明

6. 次に読むべき論文は？

- NeRF ベースの scene editing 手法 - 3D Gaussian Splatting ベースの編集手法 - hybrid editor - proxy-based editor - 3D scene editing の評価プロトコルに関する研究 - 関連する定番として neural radiance fields と 3D Gaussian Splatting の編集サーベイ

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Sariah Patro, Arjun Mehra, Nikhil Bhatia

分類: cs.CV

原文アブストラクト

Neural 3D scene editing is often evaluated by semantic alignment alone, although a convincing result may alter unrelated content or become inconsistent across views. We introduce EditBench3D, a representation-agnostic benchmark that treats editing as controlled information replacement. It evaluates four complementary properties: instruction fidelity, spatial locality, cross-view consistency, and preservation of non-target content. The protocol combines visibility-aware 3D target supports, paired descriptions, held-out cameras, and five edit families covering appearance, material, geometry, and object-level changes. We evaluate eight representative NeRF, 3D Gaussian Splatting, hybrid, and proxy-based editors on 240 scene-edit pairs. The study shows that semantic fidelity is only weakly associated with the other editing properties, and that no single method is optimal across all dimensions. Explicit Gaussian editors offer a strong overall balance, whereas direct proxy manipulation provides the most conservative edits at the cost of open-ended fidelity. These findings support reporting editability as a multi-objective profile rather than a single semantic score.

arXivで原文を読む →arXiv概要ページ