本文提出一种用于 360 度图像的条件场景装饰方法，通过开发 360 度感知的物体布局生成器和生成对抗网络，实现对输入场景的各种家具布局生成，并通过用户研究证实了生成结果中的逼真图像质量和家具布局提供的沉浸式体验。

Jul, 2023

该文研究了基于数据驱动的方法对 3D 家具模型和室内场景进行着色，并使用互联网上的室内图像进行引导。使用图像引导网格分割将模型分成不同的部分，以提高着色效果，并以马尔可夫随机场模型实现一致的着色方案。实验结果表明，该系统可以产生与室内设计师生成的结果相媲美且具有说服力的结果。

Feb, 2017

该论文介绍了 Plan2Scene 任务，旨在将一个住宅的平面图和一组相关的照片转换成有纹理的三维网格模型，解决了从一部分不对齐的照片中提取主要表面材质的挑战，并通过用户研究得出表现优异的结果。

Jun, 2021

通过自然语言交流生成和可视化设计目标的个性化室内设计师 I-Design，以及利用视觉 - 语言模型和设计流程结合的新评估协议，在提供高质量三维设计解决方案和与用户输入相匹配的抽象概念方面优于现有方法。

Apr, 2024

本文使用层次化强化学习 (HRL) 将家具布局任务作为马尔科夫决策过程 (MDP) 完成，以实现在室内场景的虚拟现实中产生适当的二家具布局，最终结果表明该模型可以产生比现有模型更高质量的布局。

Oct, 2022

本文提出一种基于优化的框架用于重新布置室内家具，以更好地容纳人机共同活动。优化算法基于多种空间和语义相关信息，将家具重新布置以保留人类功能性需求的同时为机器人活动留出足够空间，并通过自适应模拟退火和共轭梯度演化策略解决优化问题。实验结果显示，重新布置后的场景平均提供了 14％更多的可访问空间和 30％更多的物品供机器人和人类交互。

Mar, 2023

使用自我关注层和图变换器从场景图和楼层平面图中合成 3D 场景布局，生成更稀疏和多样化的场景。

Apr, 2024

提出一种室内布局综合方法，该方法结合了领域专家的知识，如人体工程学等，以及基于 Transformer 架构的数据驱动生成器。通过使用从专家知识中获得的可微标量函数，生成的布局可以被偏置以显示所需的属性，即使这些属性不在数据集中存在。该方法可以改善生成式机器学习的建模，并为设计师和业余爱好者提供创造室内布局的新工具。

Feb, 2022

提出了 FurniScene，该数据集包含 11698 个房间和 39691 个唯一的家具 CAD 模型，用于室内场景生成的评估基准，同时介绍了一种新的 Two-Stage Diffusion Scene Model（TSDSM）用于细粒度的室内场景布局生成，定量和定性评估表明了我们方法在生成高度逼真的室内场景方面的能力。

Jan, 2024

通过使用 transformers 的自我关注机制来生成室内场景，使得场景的生成速度更快、逼真程度更高，并且方法还具有更高的灵活性，可以根据不同条件进行调整。

Dec, 2020