HOG-Layout：基于视觉-语言模型的分层式 3D 场景生成、优化与编辑
计算机视觉与模式识别
2026-04-14 v1
摘要
3D 布局生成与编辑在具身 AI 和沉浸式 VR 交互中起着至关重要的作用。然而，手动创建需要繁琐的劳动，而数据驱动的生成往往缺乏多样性。大型模型的出现为 3D 场景合成带来了新的可能性。我们提出了 HOG-Layout，它能够利用大型语言模型（LLMs）和视觉-语言模型（VLMs）实现文本驱动的分层场景生成、优化和实时场景编辑。HOG-Layout 通过检索增强生成（RAG）技术提高了场景的语义一致性和合理性，引入了一个优化模块以增强物理一致性，并采用分层表示来增强推理和优化，从而实现实时编辑。实验结果表明，与现有基线相比，HOG-Layout 能生成更合理的环境，同时支持快速直观的场景编辑。
引用
@article{arxiv.2604.10772,
title = {HOG-Layout: Hierarchical 3D Scene Generation, Optimization and Editing via Vision-Language Models},
author = {Haiyan Jiang and Deyu Zhang and Dongdong Weng and Weitao Song and Henry Been-Lirn Duh},
journal= {arXiv preprint arXiv:2604.10772},
year = {2026}
}
备注
CVPR 2026