闻乐 发自 凹非寺

量子位 | 公众号 QbitAI

AI大house真来了。

华为联合上海交通大学、华中科技大学推出了世界模型WordGrow，可以生成1800㎡超大室内场景（19x39块），单卡30分钟就跑了272㎡。

里面的虚拟人还能顺畅导航，不带迷路的。(小声说：大平层确实需要导航)

并且场景具备连贯的几何拓扑和照片级真实感外观，智能体的导航则是在复杂空间布局中自主规划路径。

这可以说是走到哪建到哪了，那场景是怎么搭的？

具备连贯的几何拓扑和照片级真实感外观

以前想造个像样的3D大场景，坑不少。

比如有些技术先靠2D模型画张图，再硬掰成3D，结果换完视角一看，沙发腿歪了、墙壁纹理断了……

还有一些方法最多只能造单个房间，扩展成套房就卡壳；

更离谱的是没有布局逻辑——出现冰箱塞进卧室，床摆在厨房的情况。

现在，WorldGrow来搞装修了（bushi），用三个核心技术填坑。

第一步是先做数据精准预处理，从3D-FRONT这类大规模数据集里提取优质样本，用Blender执行场景切片，通过布尔交集对场景进行区块切分，再靠occupancy检测确保区块内容密度（可见内容≥95%）。

同时，构建了粗、细两个数据集，粗块来确定宏观布局，细块保留纹理细节。

第二步靠3D块补全机制实现了无缝拼接，在生成新区块时，先让结构生成器确定3D结构框架，再让latent生成器重建结构化潜变量（SLAT）特征，保证外观风格统一。

并且，在输入模型时，会把带噪潜变量、补全区域二进制掩码、已掩码的已知区域特征打包融合，让模型依据现有区块的上下文信息精准生成，消除边缘断裂、纹理错位等拼接缝。

第三步是粗到精生成策略，把场景扩展变成了补全缺失块的任务。

先通过粗结构模型敲定整体规划，比如窗户朝向、走廊连接等布局；随后对粗结构进行三线性插值上采样，将分辨率匹配至细块级别，再调用细结构生成器补全家具、纹理等细节。

对比可以看出，WorldGrow能够生成高分辨率、连续的室内场景，且场景具有真实且连贯的纹理。

实验数据显示，在3D-FRONT数据集上，它的几何重建指标MMD、COV均达SOTA，FID（用于评估生成质量的核心指标，越低越优）低至7.52，大幅优于SynCity、BlockFusion等主流方法；

即便扩展到7×7块的超大场景，边缘质量仍然稳定。

在效率上，单张A100显卡，30 分钟即可生成10×10区块（约272㎡）的室内场景，速度是同类技术的6倍。

团队介绍

本文一作是来自上海交通大学的Sikuang Li和Chen Yang，研究完成于他们在华为实习期间。

Chen Yang目前仍为华为研究实习生，研究聚焦于计算机视觉和计算机图形学，导师之一就是这项研究的通讯作者、AI大牛田奇。

田奇，华为终端BG首席科学家，国际欧亚科学院院士，ACM/IEEE Fellow。

论文地址：https://arxiv.org/abs/2510.21682