一句话爆改三维场景！斯坦福吴佳俊团队新作：场景语言，智能补全文本到3D的场景理解

AIxiv专栏是机器之心发布学术、技术内容的栏目。过去数年，机器之心AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com

从文字生成三维世界的场景有多难？

试想一下，如果我们要 “生成复活节岛的摩艾石像”，AI 怎么才能理解我们的需求，然后生成一个精美的三维场景？

斯坦福的研究团队提出了一个创新性解决方案：就像人类使用自然语言（natural language）进行交流，三维场景的构建需要场景语言（Scene Language）。

• 项目主页：https://ai.stanford.edu/~yzzhang/projects/scene-language/

• 文章地址：https://arxiv.org/abs/2410.16770

• 64 个黑白相间的格子
• 按规则排列的 32 个棋子
• 每个棋子的独特造型

最终生成的 3D 场景完美还原了这些细节。

这个方法支持多种渲染方式，能适应不同的应用场景：

更具吸引力的是其编辑能力：只需一句指令，就能调整场景中的元素：

支持图片输入

不仅限于静态，Scene Language 还能生成动态场景，让 3D 世界生动起来。

Scene Language 的核心在于三大组件的融合：

• 用户偏好测试中获得 85.65% 的偏好，相比现有方法提高了近 7 倍；
• 在物体数量控制方面，测试集中的准确率达到 100%，而现有方法只有 11%。