Score Distillation Sampling（SDS）是一种新近但已经广泛流行的方法，依赖于图像扩散模型来控制使用文本提示的优化问题。该论文对SDS损失函数进行了深入分析，确定了其制定中的固有问题，并提出了一个出人意料但有效的修复方法。具体而言，我们将损失分解为不同因素，并分离出产生噪声梯度的组件。在原始制定中，使用高文本指导来账户噪声，导致了不良副作用。相反，我们训练了一个浅层网络，模拟图像扩散模型的时间步相关去噪不足，以有效地将其分解出来。我们通过多个定性和定量实验（包括基于优化的图像合成和编辑、零样本图像转换网络训练、以及文本到3D合成）展示了我们新颖损失制定的多功能性和有效性。
TIP-Editor是一款准确的3D编辑器，支持文本和图像提示，用户可以通过文本和图像提示以及3D边界框来精确控制编辑区域的外观和位置。采用逐步的2D个性化策略来更好地学习现有场景和参考图像的表示，通过本地编辑来实现精确的外观控制。TIPEditor利用明确灵活的3D高斯飞溅作为3D表示，以便在保持背景不变的同时进行局部编辑。经过大量实验证明，TIP-Editor在指定边界框区域内根据文本和图像提示进行准确编辑，编辑质量和与提示的对齐性在定性和定量上均优于基线。
