
文章主要内容与创新点总结
一、主要内容
该研究聚焦室内场景布局生成任务,针对现有方法(提示驱动型依赖闭源LLM导致空间不一致、计算成本高;学习型受限于数据集规模与粗粒度关系建模)的缺陷,提出了3D-SynthPlace数据集与OptiScene框架,核心内容如下:
- 数据集构建:整合3D-Front数据集(约7300个布局)与Holodeck生成的9360个合成布局,经人工筛选与修正后形成含16666个场景的3D-SynthPlace数据集,覆盖卧室、客厅、厨房、浴室四类房间,补充了丰富的物体类别与高层空间标注。
- 模型框架设计:OptiScene基于开源LLM(Qwen3-8B),通过两阶段训练实现偏好对齐的布局生成:
- 预热阶段(SFT):先引导模型生成高层语义描述(如物体功能分区、空间关系),再预测具体物体的位置、旋转等参数,强化空间推理能力;
- 强化阶段(两阶段DPO):第一阶段用人类共识布局作为正样本、SFT生成的次优布局作为负样本,对齐人类设计偏好;第二阶段通过注入空间违规(如物体碰撞、边界溢出)生成难负样本,提升物理合理性。
- 实验与应用:在
订阅专栏 解锁全文
1048



被折叠的 条评论
为什么被折叠?



