这项研究由清华大学、东南大学、中国科学技术大学与腾讯公司等机构的学者共同完成，成果发表于2025年12月出版的《ACM Transactions on Graphics》第44卷第6期，论文编号DOI 10.1145/3763353。项目团队成员包括来自清华大学的朱晓明、东南大学的于俊生、中科大的刘利刚以及腾讯的曾龙等多位研究人员。

想象一下，走进一位室内设计师的工作室，看到他们花费数小时甚至数天时间来构思一个房间的空间布局——这一过程如今正面临根本性的变革。清华大学主导研发的“Imaginarium”系统，仅需一句简单的文字描述，就能在几分钟内生成专业级的3D场景设计方案。你只需提出“设计一个温馨的客厅”，系统便会迅速构建出完整的三维空间结构，涵盖沙发的位置、茶几的高度、装饰品的摆放细节等方方面面。

传统方式下的3D场景创建，如同在没有说明书的情况下组装复杂家具：设计师必须理解功能需求，逐个挑选合适的物品，考虑搭配逻辑，并确保整体视觉协调与实用合理。这不仅耗时费力，还高度依赖经验积累。即使是资深专家，也难以快速输出多种风格迥异的设计方案。

而Imaginarium的出现，则为该领域注入了智能化动力。其运行机制类似于一位极具经验的助理设计师：首先精准解析用户输入的语义描述，随后生成一张符合要求的2D设计草图；接着从庞大的资产库中匹配合适的家具模型；最终精确计算每件物品的空间参数，包括位置、角度和尺寸，实现美观与功能的统一。

系统的创新核心在于一种视觉引导式生成方法。该策略巧妙利用当前成熟的2D图像生成技术作为跳板。尽管AI直接生成高质量3D场景仍存在诸多挑战，但研究团队另辟蹊径：先让AI绘制出高保真的平面设计图，再以此为基础“重建”对应的三维空间。

为了支撑这一流程，团队构建了一个包含2037个高品质3D模型的专属资源库，覆盖500个不同类别的家居用品。这些模型涵盖各类风格的沙发、桌椅、灯具、摆件乃至户外设施，均由专业艺术家精心制作，整体质量远超市面上通用的3D素材平台。

在此基础上，研究人员还手工打造了147个典型场景布局案例，涉及20种空间类型，包括家庭客厅、现代办公室、儿童房及专业工作坊等。这些经过精细打磨的样板间，成为训练AI理解空间逻辑的重要学习样本，相当于一套数字化的室内设计教科书。

当用户输入如“一个温馨的客厅”这样的指令后，系统首先调用一个专门训练过的图像生成模型。该模型被优化以产出与资产库风格一致的室内渲染图，相当于设计师根据客户需求快速勾勒出初步概念草图。

随后进入图像解析阶段，系统对生成的2D图像进行深度分析，过程堪比工程师审阅施工图纸。通过融合多种先进的视觉AI技术，系统能够识别图中每一个物体，判断其大小、相对位置，并推断出房间的基本结构，例如墙体走向、天花板高度等关键几何信息。

在物体识别环节，系统采用了一种类似“问答交互”的机制：先由大语言模型结合视觉模型推测图像中可能存在的物品类别，再借助专用检测工具精确定位边界框与实例分割区域。这种两步走策略兼顾了语义理解与空间精度，就像先听取客户描述，再实地测量确认。

对于三维结构的还原，系统则模拟建筑工程师的工作方式，提取图像中的深度线索，重建房间的立体框架。它能区分地面、墙面与天花板，建立基础的空间坐标系，为后续家具的合理安置提供可靠的物理参照。

尤为关键的是系统对物体间逻辑关系的理解能力。它不仅能识别出“桌子”和“椅子”，还能推断出“椅子应围绕桌子布置”、“书籍应置于书架上”这类常识性规则。这种关系建模赋予空间真实的使用逻辑，避免出现物品悬浮或错位等违背现实的情况，仿佛为每件家具设定了合理的“行为规范”。

完成识别与推理后，系统将从资产库中检索最匹配的3D模型。这个过程类似于采购专员在大型仓库中选品，综合考量物品类别、外观特征、比例尺度等多个维度，确保所选模型与设计意图高度契合。

最具挑战性的步骤是确定每个模型在3D空间中的精确姿态——包括位置、旋转方向与缩放比例。为此，研究团队开发了一套复合型算法，同时融合视觉相似性评估与几何约束条件。这套机制如同经验丰富的搬运团队，在保证视觉还原度的同时，严格遵守碰撞检测与空间合理性原则，确保所有家具既准确就位，又互不干扰。

在确定旋转角度时，系统采用了一种“粗筛选+精调整”的策略。首先从多个预设角度中筛选出若干最具潜力的候选角度，随后通过更精细的分析来锁定最优解。这一过程类似于摄影师寻找理想拍摄视角的方式：先大致圈定几个合适的位置，再逐一微调，最终找到最理想的构图角度。

此外，系统还具备处理家具“嵌套”关系的能力。例如，它不仅能识别书桌与电脑之间的摆放逻辑，还能精确计算出电脑在桌面上的最佳位置。这种对空间细节的精准把控，使生成的场景更具真实感和合理性。

完成初步布局后，系统会进行一轮全面的优化检查，如同质检人员对设计方案进行复核：确保所有家具稳固落地，避免出现悬浮或穿插现象；核查家具之间是否留有足够通行空间；评估装饰品的布置是否符合视觉美学原则等。

为了进一步提升真实感，系统还会引入物理仿真技术。这一步骤使得虚拟环境中的物体表现出真实的物理特性——软垫会产生自然形变，叠放的物品能够保持平衡，整体场景呈现出接近现实世界的动态效果。

研究团队对该系统进行了广泛的测试验证，邀请了100名艺术专业学生及20位专业艺术家参与场景质量评估。结果显示，Imaginarium在合理性、美观性等多个维度上均显著优于现有方法，尤其在场景的丰富度与多样性方面表现突出。

相较于传统技术，Imaginarium展现出明显优势。传统的语言模型虽能理解文本描述，但在空间布局和物品定位上的精度有限；而基于深度学习的生成方法虽然结果尚可，却受限于训练数据的规模和多样性，难以实现真正多样化的输出。

该系统的创新之处在于，巧妙融合了成熟的2D图像生成技术与专业的3D场景构建需求。通过将复杂的3D场景生成任务分解为更易处理的2D图像理解与3D物体摆放两个子问题，既保障了生成质量，又大幅提升了效率。

[此处为图片2]

值得一提的是，系统还具有出色的可编辑性。用户可对已生成的场景进行局部修改，如更换家具款式、调整饰品位置等。这种灵活性使其不仅适用于快速原型设计，也能支持深入的精细化调整。

从性能角度看，系统的运行速度同样令人印象深刻。在配备A100显卡的设备上，生成一个完整的3D场景仅需约4分钟，相比传统手工设计方式，效率提升可达数十倍乃至上百倍。

实验数据显示，系统在物品布局准确性方面表现优异。主要家具的识别与摆放准确率超过90%，即便是小型装饰品，也能维持70%以上的准确率，整体表现已接近甚至在某些方面超越专业设计师水平。

其应用前景十分广泛。在游戏开发中，可快速生成多种风格的游戏场景，显著缩短开发周期；在建筑设计领域，能作为辅助工具快速产出室内设计方案，让设计师更专注于创意构思与细节打磨。

在电影制作方面，该系统同样潜力巨大。传统布景设计耗时耗力，而Imaginarium可高效生成各类虚拟场景，为导演和制片提供丰富的视觉参考，在降低制作成本的同时拓展创作可能性。

研究团队已决定将所构建的高质量数据集开源，为学术界和工业界的后续研究提供有力支持。这一开放举措体现了推动领域共同进步的责任意识。

当然，系统仍存在一定局限。例如，当图像生成模型产生资产库中未包含的新奇物品时，系统可能无法匹配对应的3D模型；对于严重遮挡的物体，其姿态判断仍面临挑战。

对此，研究团队已有明确改进方向：随着视觉基础模型的发展，这些技术瓶颈有望逐步突破。未来计划引入多视角信息以提升姿态估计精度，并探索更智能的2D到3D编辑功能。

展望未来，此类基于视觉引导的3D场景生成技术有望发展为自动化3D数据生成引擎，将丰富的2D视觉模型布局知识转化为可用的3D资产放置数据，缓解当前3D场景生成任务中的数据稀缺问题，从而支撑更高效率的3D理解与布局模型训练。

归根结底，Imaginarium标志着人工智能在创意设计领域迈出了关键一步。它并非旨在替代设计师的角色，而是致力于成为创意工作者的高效协作伙伴。通过将繁琐且重复的布局任务交由AI处理，设计师得以将精力更多集中于核心的创意构思环节。这种人机协同的工作模式，极有可能在未来主导整个创意产业的发展方向。

该研究清晰地展示了AI技术如何深度融入实际创作流程，从而为数字世界构建出更加多元、生动的虚拟环境。对于关注3D建模、游戏制作或人工智能发展的从业者与爱好者而言，这无疑是一项具有里程碑意义的技术进展。

Q&A

Q1：Imaginarium系统究竟是什么？它是怎样运作的？
A：Imaginarium是由清华大学研发的一款人工智能系统，能够根据纯文本描述自动生成专业级别的3D场景布局。其运行机制类似于一位智能设计助手：首先解析用户输入的文字需求，随后生成对应的2D平面图，再从现有的3D模型库中匹配合适的家具元素，最终精准计算每件物品的位置与朝向，整个流程耗时约4分钟即可完成。

Q2：系统生成的3D场景效果如何？是否具备专业水准？
A：实测数据显示，Imaginarium在多项评估指标上明显超越当前主流方法。经过100名艺术专业学生和20位资深艺术家的盲评反馈，该系统在场景合理性与视觉美感方面均获得高度评价。主要家具的摆放准确率超过90%，整体输出质量已接近人类专业设计师的手工成果。

Q3：普通用户能否使用Imaginarium？它的应用场景有哪些？
A：目前Imaginarium仍处于学术研究阶段，尚未面向公众开放使用。不过，研究团队表示将考虑开源相关数据集。其潜在应用十分广泛，例如可应用于游戏开发中的场景快速搭建、建筑设计初期的概念呈现、影视布景的数字化预演等，能将原本需要数小时乃至数天的手动设计周期缩短至几分钟内完成。