我们提出了DynaVol-S，一个三维生成模型，能够在可微分的体素渲染框架中实现基于物体的学习。通过体素化物体中心来捕捉场景的三维特性，并通过反向渲染管道中的组合NeRF来优化这些体素特征。我们的方法整合二维语义特征，创建三维语义网格，通过多个解耦的体素网格来表示场景。DynaVol-S在动态场景的新视图合成和无监督分解任务中明显优于现有模型，通过同时考虑几何结构和语义特征，它有效地应对复杂物体交互的实际场景。此外，训练完成后，这些有明确意义的体素特征还使得我们能够实现2D场景分解方法无法实现的额外功能，比如通过编辑几何形状或操纵物体的运动轨迹来生成新的场景。