绝对尺度场景生成：利用文本的语义与几何引导实现精确且可解释的3D室内场景生成
计算机视觉与模式识别
2026-03-17 v1
摘要
我们提出了GuidedSceneGen，一个文本到3D生成框架，能够生成度量精确、全局一致且语义可解释的室内场景。与常遭受几何漂移或尺度模糊的先前文本驱动方法不同，我们的方法在整个生成过程中保持绝对世界坐标系。从文本场景描述出发，我们预测一个编码语义和几何结构的全局3D布局，作为下游阶段的引导代理。一个语义和深度条件的全景扩散模型随后合成与全局布局对齐的360°图像，大幅提高了空间一致性。为了探索未观测区域，我们采用由优化相机轨迹引导的视频扩散模型，在覆盖与碰撞避免之间取得平衡，相比穷举路径探索实现了高达10倍的采样加速。生成的视图使用3D高斯溅射进行融合，产生一个一致且完全可导航的绝对尺度3D场景。GuidedSceneGen实现了从布局到重建的物体姿态和语义标签的准确传递，并支持无需重新对齐的渐进式场景扩展。定量结果和用户研究表明，与近期全景文本到3D基线相比，具有更大的3D一致性和布局合理性。
引用
@article{arxiv.2603.13910,
title = {Scene Generation at Absolute Scale: Utilizing Semantic and Geometric Guidance From Text for Accurate and Interpretable 3D Indoor Scene Generation},
author = {Stefan Ainetter and Thomas Deixelberger and Edoardo A. Dominici and Philipp Drescher and Konstantinos Vardis and Markus Steinberger},
journal= {arXiv preprint arXiv:2603.13910},
year = {2026}
}