我们介绍了BlenderFusion，这是一种生成性的视觉合成框架，通过重组物体、摄像机和背景来合成新的场景。该框架遵循分层-编辑-合成的流程：(i) 将视觉输入分割并转换为可编辑的3D实体（分层），(ii) 在Blender中使用基于3D的控制进行编辑（编辑），以及 (iii) 使用生成性合成器将它们融合成一个连贯的场景（合成）。我们的生成性合成器扩展了一个预训练的扩散模型，使其能够并行处理原始（源）场景和编辑后的（目标）场景。它在视频帧上进行了微调，并采用了两种关键的训练策略：(i) 源遮罩，实现灵活的修改如背景替换；(ii) 模拟对象抖动，便于对物体和摄像机进行解耦控制。BlenderFusion在复杂的组合场景编辑任务中显著优于先前的方法。