华为联手高校打造超大室内场景模型WordGrow

AI大house真来了。

华为携手上海交通大学及华中科技大学，共同推出了名为WordGrow的世界模型，它能够生成面积达1800㎡的超大室内场景，这个场景由19x39块组成，单卡只需30分钟即可渲染出272㎡的区域。

在这个虚拟世界中，虚拟人能够顺畅导航，绝不会迷路。（小声说：大平层确实需要导航）

此外，WordGrow的场景具备连贯的几何拓扑和照片级的真实感外观，智能体可以在复杂的空间布局中自主规划路径。

这一技术可以说是“走到哪建到哪”，那么它是如何搭建这些场景的呢？

具备连贯的几何拓扑和照片级真实感外观

在以前，想要创建一个像样的3D大场景，会遇到不少挑战。

例如，有些技术会先用2D模型绘制图像，再强行将其转化为3D，但结果往往是在换完视角后，沙发腿歪了、墙壁纹理断了……

另一些方法最多只能创建单个房间，一旦扩展到套房就会遇到问题；更离谱的是，这些方法往往没有布局逻辑——冰箱被塞进卧室，床摆在厨房的情况时有发生。

现在，WordGrow已经准备好进行“装修”了（不是真的装修），它利用三个核心技术来填补这些“坑”。

第一步是进行数据精准预处理，从大规模数据集如3D-FRONT中提取优质样本，使用Blender进行场景切片，通过布尔交集对场景进行区块切分，并通过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，粗块用于确定宏观布局，细块保留纹理细节。

第二步是通过3D块补全机制实现无缝拼接。在生成新区块时，结构生成器会先确定3D结构框架，而latent生成器会重建结构化潜变量（SLAT）特征，确保外观风格统一。此外，在输入模型时，会打包融合带噪潜变量、补全区域二进制掩码以及已掩码的已知区域特征，让模型依据现有区块的上下文信息精准生成，从而消除边缘断裂、纹理错位等拼接缝。

第三步是采取粗到精的生成策略，将场景扩展转化为补全缺失块的任务。先通过粗结构模型确定整体规划，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，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，WordGrow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，WordGrow的几何重建指标MMD、COV均达到SOTA水平。FID（用于评估生成质量的核心指标）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，WordGrow的边缘质量仍然稳定。

在效率方面，使用单张A100显卡，WordGrow只需30分钟即可生成一个约272㎡的室内场景。这一速度是同类技术的六倍。

免费服务器高防服务器性价比vps