SceneBloom 用智能体框架生成室内场景，供具身智能训练
论文AI 评分 72/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
SceneBloom 是一个面向具身学习的室内环境生成框架，把视觉布局采样与受约束的 3D 编译结合起来。它先用扩散先验在功能分区内生成家具摆放方案，再由编译器从每个方案中提取关系，指导几何拟合与局部姿态修正。在五类房间上的对比中，该方法的视觉质量与物理稳定性均为最高，也是唯一未检出网格碰撞与越界物体的方法，布局分布更接近真实房间。用这些场景训练的目标导航策略，在留出的真实扫描数据上成功率高于用同等数量真实训练扫描训练的策略。代码已公开。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载两段式生成流程
该框架把场景生成拆成两步。第一步是分层采样器，它借助扩散模型的先验，在划分好的功能分区内采样家具摆放方案，产出的是二维或视觉层面的布局提议。第二步是编译器，它从每份提议中抽取物体之间的关系，用这些关系约束几何拟合，并对局部姿态做修正，使原本只是视觉上合理的排布变成物理上可用的三维场景。作者把这一组合称为智能体框架，强调采样与编译之间的衔接由关系约束驱动，而不是先生成再人工修补。
评测结果与对比
论文在五类房间上与其他方法做了对比。结果显示，SceneBloom 的视觉质量和物理稳定性都排在首位，并且是参与对比的方法中唯一没有检出网格碰撞、也没有越界物体的一个。除物理合法性外，其布局分布与真实房间的接近程度也优于所有对比基线。这两项指标分别对应生成场景能否直接用于仿真，以及生成结果的多样性是否贴近现实分布，正是具身学习对训练环境的核心诉求。
下游任务验证
作者进一步检验了生成场景的训练价值：在这些场景中训练目标导航策略，再放到留出的真实扫描数据上测试，成功率高于用同等数量真实训练扫描训练出来的策略。这一对比的意义在于，合成环境的样本效率不低于真实采集数据，说明生成管线不只是产出好看的场景，还能替代部分真实数据采集工作。论文同时公开了代码，便于复现与后续扩展。
为什么值得看
具身智能训练长期受限于场景数据，这项工作给出了可仿真、无碰撞的生成路径，并验证了迁移到真实扫描的效果。
智能体论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。