本文第一作者顧澤琪是康奈爾大學計算機科學四年級博士生，導師為 Abe Davis 教授和 Noah Snavely 教授，研究方向專注于生成式 AI 與多模態大模型。本項目為作者在英偉達實習期間完成的工作。

想象一下，你是一位游戲設計師，正在為一個奇幻 RPG 游戲搭建場景。你需要創建一個 "精靈族樹屋村落"—— 參天古木和樹屋、發光的蘑菇路燈、半透明的紗幔帳篷... 傳統工作流程中，這可能需要數周時間：先手工建模每個 3D 資產，再逐個調整位置和材質，最后反復測試光照效果…… 總之就是一個字，難。

這種困境正是當前 3D 內容創作領域的縮影。傳統 3D 設計軟件如 Blender、Maya 雖然功能強大，但學習曲線陡峭。近年來興起的文本生成 3D 技術讓用戶可以通過文字描述生成 3D 內容，但這些方法要么依賴有限的 3D 訓練數據，遇到新場景類型或風格就容易翻車，要么在預測完場景中的物體信息后，要從特定的 3D 模型池中尋找并調用出與預測特征最相近的，因此最后的場景質量非常依賴于模型池中到底有什么，很容易導致風格不統一。

與此同時，文本生成 2D 圖像技術（如 GPT-4o、Flux）卻突飛猛進。這些模型通過海量互聯網圖像訓練，已經能生成布局合理、風格統一的復雜場景圖。這引發了一個關鍵思考：能否讓 2D 圖像充當 "中間商"，先把用戶輸入文字轉化為高質量場景圖，再從中提取 3D 信息？NVIDIA 與康奈爾大學聯合團隊的最新研究 ArtiScene，正是基于這一 insight 提出的全新解決方案。

• 文章鏈接：https://arxiv.org/abs/2506.00742
• 文章網站：https://artiscene-cvpr.github.io/（代碼即將開源）
• 英偉達網站：https://research.nvidia.com/labs/dir/artiscene/

圖一：ArtiScene 生成的 3D 結果。從左到右的文字輸入分別是，第一行：(1) a Barbie-styled clinic room, (2) a space-styled bedroom, (3) a teenager-styled bathroom。第二行：(1) a cute living room, (2) a garage, (3) a operating room.

核心貢獻：無需訓練的智能 3D 場景工廠

ArtiScene 的核心創新在于構建了一個完全無需額外訓練的自動化流水線，將文本生成圖像的前沿能力與 3D 重建技術巧妙結合。它一共包含五步：

1. 2D 圖像作為 "設計藍圖"

系統首先用擴散模型生成等軸測視角的場景圖。這種視角常用于建筑設計示意圖，因為它能同時呈現物體的長、寬、高信息，且不受場景位置影響。相比直接生成 3D，這種方法能利用更成熟的 2D 生成技術確保布局合理性和視覺美感。

圖二：和其他任意的相機視角（左二、三）比，讓文生圖模型輸出等軸測圖（左一）更可靠，因為等軸測圖默認相機參數是固定的，且沒有透視形變。

2. 物體檢測與修復

采用兩階段檢測策略：先用 GroundedDINO 識別場景中的家具和裝飾品，對遮擋部分用補全修復（Remove Anything 模型），再次檢測確保完整性，最后得到每個物品的分割掩碼。

3. 3D 空間定位

通過 Depth-Anything-2 模型估計深度信息，配合自定義投影公式將 2D 坐標轉換為 3D 位置。團隊發現傳統相機投影公式需要調整，于是采用去除深度縮放影響后的公式。

4. 模塊化 3D 資產生成

傳統方法通常從現有數據庫檢索 3D 模型，導致美觀度受限。ArtiScene 則對場景圖中的每個物體分別生成定制化 3D 模型：在得到分割物體圖像后，讓 ChatGPT 描述其幾何特征，再輸入單視圖 3D 生成模型，為每件家具、裝飾品單獨建模。

5. 場景組裝

通過單目深度估計，系統將 2D 邊界框轉換為 3D 空間坐標。并使用 "渲染 - 比對" 的姿勢估測機制，生成 8 個旋轉角度的物體渲染圖，用 Stable Diffusion+DINO-v2 融合模型提取特征，選擇與原始場景圖最匹配的姿勢。后處理階段還會自動修正物體重疊，確保物理上足夠合理，比如椅子不會嵌進餐桌里，花瓶能穩穩立在柜子上。

圖三：系統流程圖

這種設計帶來三個顯著優勢：

零訓練成本：完全利用現成模型，無需針對新場景類型微調

風格無限：每個物體都按需生成，不受預制模型庫限制

可編輯性強：單獨修改某個物體不會影響整體場景

實驗結果：全面超越現有方案

團隊在三個維度進行了系統評估：

1. 布局合理性測試

對比當時最強的 LayoutGPT，在臥室和客廳場景中：

• 物體重疊率降低 6-10 倍（臥室 6.48% vs 37.26%）
• 用戶調研顯示，72.58% 的參與者更青睞 ArtiScene 的布局
• 生成家具數量更多（臥室平均 6.97 件 vs 4.30 件），且分布更自然

2. 風格一致性測試

相比當時效果最好的文生 3D 場景方法 Holodeck，在包含 29 種場景種類和風格的測試集中：

• CLIP 分數提高 10%（29.45 vs 26.73）
• GPT-4 評估中，95.46% 案例認為 ArtiScene 更符合描述
• 用戶調研顯示，82.96% 認為風格還原更準確

圖四：和之前的 SOTA Holodeck 的比較。

3. 應用靈活性展示

系統支持多種實用功能：

• 物體編輯：單獨修改某個模型（如把普通汽車變成黃色保時捷）
• 多場景適配：通過調整參數支持戶外場景生成
• 人工引導：允許直接輸入手繪設計圖替代 AI 生成場景圖

圖五：左：物體編輯；右：跳過最開始的文生圖環節，直接用人工畫的圖生成場景。

展望

對于更復雜的多房間場景（如整個博物館、醫院），或者要求特定家具間的位置關系和個數等用戶輸入，由于文生圖模型在訓練時就缺乏相關數據，ArtiScene 在最開始就會受限于不夠優質的二維圖像。然而，這一模塊是可更換的，ArtiScene 不依賴于某一特定模型，未來如果有性能更好的同功能模型，我們也可以很容易把它們替換進來。

本項目創新地采用二維圖像來引導三維場景生成，并用 LLM、VLM 等大模型構成了一個魯棒的系統，在生成結果的美觀度、多樣性和物理合理性上都遠超之前的同類型方法。作者希望他們的工作可以啟發未來更多關于具身智能、AR/VR、室內 / 室外設計的思考。