← 返回 2026-06-01

Function2Scene：从功能规格说明生成3D室内场景布局 Function2Scene: 3D Indoor Scene Layout from Functional Specifications

Ruiqi Wang, Qimin Chen, Daniel Ritchie, Angel X. Chang, Manolis Savva, Kai Wang, Hao Zhang 📅 2026-05-29 👍 42 2026-07-13 08:36
3D场景生成 LLM驱动 功能约束 室内设计 迭代优化
arXiv HuggingFace PDF

通过功能描述和17种设计约束，用LLM驱动迭代评估生成符合人体工程学的3D室内布局

前置知识

Domain-Specific Language (DSL)

领域特定语言是专门为某一应用领域设计的编程语言或表示形式，在本论文中使用JSON格式的DSL来表示房间的结构（墙体、地板、天花板、门窗）和家具（位置、尺寸、朝向）。每个条目包含location字段表示世界坐标系中的质心位置，dimensions字段表示[宽度、高度、深度]，facing字段表示方向角（0°=北、90°=东、180°=南、270°=西）。这种结构化表示使得自动布局验证和3D渲染变得可行。

论文中所有约束评估工具都依赖这个DSL来读取场景几何信息，理解DSL是理解整个评估和优化流程的基础。

Two-Alternative Forced Choice (2AFC)

二选一强迫选择是一种心理物理学实验方法，参与者必须从两个选项中选择一个更好的，不能跳过或表示中立。在本论文的感知研究中，每位参与者看到30对渲染的房间布局图（每对包含本文方法和一个基线方法的结果），必须选择哪个布局更符合房间描述中的功能需求。偏好率被计算为选择本文方法的比例。

2AFC是本文量化用户偏好的主要方法，实验结果94.3%的偏好率直接来源于这个实验设计。

Constraint Satisfaction Problem (CSP)

约束满足问题是指在一组变量上找到赋值，使得所有给定的约束条件都得到满足。在本论文中，变量是家具的位置、朝向和尺寸，约束是17条设计规则（如S1:物体不超出房间边界、E1:通行路径宽度足够、A1:活动区域面积充足）。约束按优先级分为T1-T6六个层级，低优先级约束被评估后，高优先级约束可能被跳过以避免破坏已满足的低优先级约束。

整个Function2Scene框架本质上是一个约束满足问题的求解过程，理解CSP有助于理解为什么作者采用迭代评估而非一次性优化的策略。

研究动机

现有文本驱动3D室内场景合成方法主要基于以物体为中心的提示词，例如一个带大床、两个床头柜和一个梳妆台的卧室。这类方法生成的场景在视觉和语义上可能是合理的，但仍可能是糟糕的设计：例如办公桌面向窗户产生眩光、沙发挡住通往门口的路径、衣柜对于使用它的老年人来说难以触及、儿童游戏区被其看护人遮挡。在真实室内设计中，布局是根据其如何支持居住者的活动和生理需求来评判的，而不仅仅是包含了哪些家具。

本文的目标是本文的目标是构建一个从功能规格说明生成3D室内布局的框架，功能规格说明是自然语言设计简报，描述谁将使用房间以及他们在其中需要做什么。例如，一个描述可能是一对夫妇的卧室，其中一人深夜阅读，另一人早睡。系统需要解析出occupant personas（居住者人设）和activities（活动），从17条设计准则的分类法中推导出一套定制化的功能设计约束，然后使用这些约束来指导布局生成。

与已有工作不同的是，本文的独特切入角度是将输入从以物体为中心的提示词转变为以功能为中心的规格说明。这一转变暴露了现有方法未能解决的新问题：功能规格说明是高层级的，它们不直接指定物体和布局，而是对室内空间施加多样化的异构约束（空间约束、人体工程学规则、活动模式、环境背景等）。现有LLM方法即使有迭代自我修正能力，也主要只检查视觉质量和物理合理性，缺乏对以人为中心的标准（人体工程学适配、活动支持、环境舒适度）的系统覆盖。

核心方法

Function2Scene的核心思想是将室内设计原则显式化为可验证的约束，然后用LLM驱动的check-and-repair循环来满足这些约束。整体流程分为两个阶段：初始化阶段将功能提示解析为结构化场景描述和约束列表，生成房间结构和初始家具布局；基于约束的评估与优化阶段按优先级顺序评估约束，使用专门的工具（几何检查、LLM查询、VLM评估）获取反馈，然后应用针对性的调整。这种方法将LLM从直接生成场景的角色转变为规划者和验证者，使得功能设计知识变得可解释和可调整。

核心创新点是引入了一个基于室内设计文献的四分类十七约束体系，并结合LLM的推理能力进行定制化约束生成和迭代优化。与传统方法一次性优化所有约束不同，Function2Scene按优先级（T1-T6）顺序评估约束，每个约束调用专门的验证工具（如boundary_check()返回bool，path_width()返回最小通行宽度和瓶颈位置，visual_balance_check()通过VLM返回评估）。如果约束不满足，LLM会生成针对性的精修步骤，这些步骤基于设计原则（如卧室内床周围需要2'0"-3'0"的侧边间隙）。这种分层的、工具增强的迭代循环使得高层级的功能需求能够转化为低层级的几何操作。

方法步骤详情

方法的第一步是解析：给定功能描述，LLM提取基于四类约束分类法的结构化约束集合，以及解析后的场景描述（LLM友好的原始输入重构版本）。第二步是房间结构生成：LLM生成自定义JSON DSL格式的房间结构，包含墙体、地板、天花板、门窗的几何属性和语义属性。这个结构输出被可视化供用户验证，反映自然的客户-设计师工作流程。第三步是家具初始化：使用解析后的描述直接生成初始布局。第四步是约束评估与优化：按优先级顺序评估每个约束。对于每个约束，代理先在当前布局状态上下文中解释约束描述，选择并调用适当的工具，然后LLM解释结果并生成精修步骤。每个调整局部应用以避免破坏已满足的约束，受影响的约束在代理进入下一个之前被重新评估。当所有约束都被评估后，重新评估T1空间约束以验证后期调整没有破坏基础布局质量。

技术新颖性

技术新颖性体现在三个方面：首先，约束分类法基于室内设计文献（Kilmer and Kilmer 2024; Panero 1962），但通过LLM驱动的自动定制使其适应特定的occupant personas和activities，这种定制性只有依赖LLM的基础知识才可能实现；其次，采用分层优先级的迭代评估而非一次性优化，避免了高优先级约束的修复破坏低优先级约束的问题；最后，工具集将三种类型的验证方法（数值/几何工具、LLM查询工具、VLM工具）有机集成，能够处理从简单的几何有效性（如物体是否在房间内）到复杂的语义判断（如视觉平衡、工作流顺序、声学风险）的多样化约束。

We present Function2Scene, a framework for generating 3D indoor layouts from functional specifications.
Fig. 1: We present Function2Scene, a framework for generating 3D indoor layouts from functional specifications.
Constraints Taxonomy
Fig. 2: Constraints Taxonomy
Overall Pipeline
Fig. 3: Overall Pipeline
Sample layout DSL file
Fig. 6: Sample layout DSL file

实验结果

在30个来自Architectural Digest的专业室内设计案例上的实验表明，Function2Scene生成的布局比最近的LLM基线更好地满足功能需求。在包含30名参与者的二选一强迫选择感知研究中，本文方法在所有基线和方法条件下的总体偏好率为94.3%。具体而言，与Holodeck相比，在功能提示和解析提示条件下的偏好率分别为92.2%和88.9%；与iDesign相比，偏好率达到94.4%和98.9%（解析条件为所有比较中的最高分）；与LayoutVLM相比，偏好率为96.7%和94.4%。消融研究表明，保留迭代更新但移除评估工具表现最差（78.9%），甚至比移除迭代更新和评估工具两者（83.3%）更差，表明如果没有基于空间反馈的指导，迭代精修实际上是适得其反的。此外，当工具缺失时，提示格式的影响可忽略不计，确认了更丰富的约束表示只有在有测量它们的工具集时才强制其好处。

Evaluation tools setup
Table 1: Evaluation tools setup
2AFC study results comparison our method with baselines
Table 2: 2AFC study results comparison our method with baselines
Qualitative comparisons of our method against various comparison conditions
Fig. 4: Qualitative comparisons of our method against various comparison conditions
Functional scenes generated by our method
Fig. 5: Functional scenes generated by our method
Perceptual study interface
Fig. 7: Perceptual study interface
Perceptual study introduction
Fig. 8: Perceptual study introduction
查看结构化数据
任务指标本文基线提升
功能感知的室内布局生成 2AFC用户偏好率 94.3% Holodeck: 88.9-92.2% 提升2.1-5.4个百分点
功能感知的室内布局生成 2AFC用户偏好率 94.3% iDesign: 94.4-98.9% 解析条件下略低但整体相当
功能感知的室内布局生成 2AFC用户偏好率 94.3% LayoutVLM: 94.4-96.7% 解析条件下略低但整体相当

局限与改进

作者承认的局限性包括：本文方法从专业撰写的详细功能规格说明开始，但真实的设计工作流程通常以用户模糊且简短的需求开始，用户需要设计师通过多轮对话和反馈来发现、明确和细化他们的需求；当前的验证协议严重依赖基础数值检查和LLM查询，这些可以通过更多约束特定的工具变得强大，例如带铰接模型的具身仿真、物理准确的光线和声学估计，或用更语义化的方式表达距离和尺寸要求的领域特定语言；更广泛地说，本文框架当前在住宅环境内的固定建筑外壳内运行，联合优化房间形状、开口和隔断与家具放置将更好地捕捉室内设计的全部范围。此外，论文未提供关于计算效率的详细数据，迭代评估可能需要较长的时间。

独立分析的弱点

独立分析的第一个弱点是初始布局质量依赖LLM的空间推理能力，但论文承认在此阶段的LLM生成布局在空间推理方面根本上受限，可能导致物体重叠、违反功能邻近性要求或产生物理上合理但实际不可用的配置。改进方向是引入更强的几何先验或初始化策略，例如基于功能区域模板的预填充。第二个弱点是约束检查工具主要依赖简单的几何测量和LLM语义判断，对于物理仿真（如人体姿态的真实性）和高级环境感知（如光线追踪的眩光评估）支持不足。改进方向是集成物理引擎和渲染器作为额外的验证工具。第三个弱点是约束参数（如通行路径最小宽度）基于标准成年人假设，对于特殊人群（如轮椅使用者、儿童）的自适应需要手动调整。改进方向是从功能提示中自动推断人体测量学参数并动态调整约束阈值。

未来方向

作者提出的未来研究方向包括：构建对话式界面，帮助非专家用户通过多轮对话和反馈到达详细的功能规格说明，这将完成设计工作流程的上游部分；开发更多约束特定的工具，例如具身仿真、物理准确的光线和声学估计，或表达距离和尺寸要求的领域特定语言；扩展框架以支持房间形状、开口和隔断与家具放置的联合优化。基于本文成果可延伸的方向包括：将约束分类法应用于其他类型的3D场景（如户外空间、商业环境）；支持动态场景生成（考虑时间维度的活动序列）；集成用户偏好学习以实现个性化布局建议；以及开发更高效的约束求解算法以减少迭代次数。

复现评估

论文声称在补充材料中提供了GUI显示完成的迭代和结果（index_static.html）以及所有定性比较（qualitative.html），但未明确声明代码开源。数据集是从Architectural Digest收集的30个专业室内设计案例，涵盖10种房间类型和30种不同人设，这些案例是公开可访问但非标准学术数据集。算力需求方面，论文未提供具体的推理时间或GPU内存使用情况，但流程涉及多个LLM调用和VLM评估，可能需要显著计算资源。复现难度主要在于实现约束检查工具（如pathfinding()、visual_balance_check()）和设计每个约束的LLM提示词，论文在附录中提供了详细示例但仍需要较多工程工作。

论文图表

Table 3: 2AFC study results comparing against ablations

表3展示了消融研究结果，比较了不同输入格式和生成策略的效果。当使用功能提示、无迭代更新、无评估工具时，本文方法偏好率为83.3%；使用解析提示、无迭代更新、无评估工具时为83.3%；使用功能提示、有迭代更新、无评估工具时为78.9%；使用解析提示、有迭代更新、无评估工具时为80.0%；完整方法（解析提示、有迭代更新、有评估工具）为本文方法基准。关键发现是：保留迭代更新但移除评估工具表现最差，表明迭代精修在没有基于空间反馈的指导下实际上是适得其反的。

这个表格对理解论文至关重要，因为它通过消融研究验证了每个组件的贡献，特别是证明了评估工具是关键使能器，迭代更新本身不够甚至有害。