华为WorldGrow模型突破：30分钟生成1800㎡室内场景，AI大house时代来临

人工智能技术正深刻改变家居设计领域，一场革命性的突破已经到来。

华为携手上海交通大学与华中科技大学，共同研发了名为WorldGrow的世界模型，该模型能够生成面积高达1800平方米的宏大室内场景（由19x39区块构成），仅需单张A100显卡，30分钟即可完成272平方米的生成。

模型中的虚拟人能够实现流畅导航，即使在复杂的大平层空间中也不会迷失方向。（注：大平层确实需要高效的导航系统）

同时，生成场景具备连贯的几何拓扑和照片级真实感外观，智能体可在复杂布局中自主规划最优路径。

这近乎实现了“随走随建”的愿景，那么场景具体是如何搭建的呢？

具备连贯的几何拓扑和照片级真实感外观

以往构建高质量3D大场景面临诸多挑战。

例如，部分技术依赖2D模型生成图像再转换为3D，但切换视角时可能出现物体扭曲或纹理断裂等问题。

一些方法仅能生成单个房间，扩展到多房间场景时力不从心；

更甚者缺乏布局逻辑，导致家具摆放混乱，如冰箱置于卧室或床铺出现在厨房。

现在，WorldGrow模型通过三项核心技术有效解决了这些难题。

第一步是数据精准预处理：从3D-FRONT等大规模数据集中提取优质样本，利用Blender进行场景切片，通过布尔运算对场景进行区块分割，并基于占用检测确保区块内容密度（可见内容≥95%）。

同时，构建了粗粒度和细粒度数据集，粗块用于确定宏观布局，细块则保留精细纹理细节。

第二步采用3D块补全机制实现无缝拼接：生成新区块时，先由结构生成器确定3D框架，再由潜在生成器重建结构化潜变量（SLAT）特征，保障外观风格统一。

在模型输入中，将带噪潜变量、补全区域二进制掩码和已掩码的已知区域特征融合，使模型能依据现有区块上下文精准生成，消除边缘断裂和纹理错位等拼接痕迹。

第三步是粗到精生成策略：将场景扩展转化为补全缺失块的任务。先通过粗结构模型敲定整体规划（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至细块分辨率，再调用细结构生成器补充家具、纹理等微观细节。

对比可见，WorldGrow能够生成高分辨率、连续性的室内场景，且纹理真实而连贯。

实验数据显示，在3D-FRONT数据集上，其几何重建指标MMD和COV均达到SOTA水平，FID（评估生成质量的核心指标，数值越低越优）低至7.52，大幅领先SynCity、BlockFusion等主流方法；

即便扩展到7×7块的大型场景，边缘质量依然保持稳定。

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

团队介绍

本文的第一作者是上海交通大学的Sikuang Li和Chen Yang，该项研究在他们于华为实习期间完成。

Chen Yang目前仍是华为的研究实习生，专注于计算机视觉和计算机图形学领域，导师之一是本研究的通讯作者、AI领域专家田奇。

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