只需對著電腦說一句“我想要一個北歐風格的臥室”，幾分鐘后，一個細節逼真的3D房間便呈現在屏幕上，不僅能360度自由查看，連窗簾的褶皺和地板的紋理都清晰可見。這并非科幻電影中的場景，而是香港科技大學研究團隊與Manycore Tech Inc.公司合作研發的SpatialGen技術帶來的現實突破。這項發表于arXiv平臺（編號2509.14981v2）的研究，正在重新定義人工智能在三維空間設計領域的能力邊界。

傳統3D建模如同手工雕刻，設計師需花費數周甚至數月調整每個細節，而現有自動生成方法雖能提速，卻常陷入“玩具屋”困境——要么布局呆板如積木拼接，要么視角轉換時出現家具“變形”。SpatialGen的突破在于找到了真實感與靈活性的平衡點：其生成的場景既擁有照片級質感，又能確保從任意角度觀察都符合物理規律。研究團隊通過構建全球最大規模的室內場景數據集，為AI提供了超過470萬張全景圖像的“學習素材”，涵蓋客廳、廚房、書房等10類空間，總計5.7萬個獨立房間。

該技術的核心是一個能同時處理文字、圖像和空間坐標的多模態生成系統。當用戶輸入“現代簡約客廳”的文本描述或上傳一張參考圖片時，系統會先解析3D房間布局中的基礎結構，再通過創新的交替注意力機制協調不同視角的信息。這一機制如同經驗豐富的建筑師，既能確保從各個角度看到的沙發保持一致，又能協調顏色、幾何形狀與語義標簽的精準對應。例如，在生成書房場景時，系統能同時處理書架的RGB圖像、空間位置坐標以及“書籍”“臺燈”等語義標簽，避免出現視角切換時物品錯位的問題。

數據集的構建過程堪稱一場“數字考古”。研究團隊從專業設計平臺篩選出1.2萬個真實項目，為每個場景規劃物理合理的攝像機軌跡，每隔0.5米采集一次數據，最終生成包含顏色、深度、法線等信息的全景圖像。為保證數據質量，他們制定了嚴格標準：只保留面積超過8平方米、包含3種以上獨特物體的房間，并將6.5萬個原始物體類別映射為62個通用類別。這種篩選方式確保了AI既能學習到“沙發靠墻擺放”的普遍規律，又能掌握不同風格的空間設計技巧。

在技術實現上，研究團隊開發了場景坐標圖變分自編碼器（SCM-VAE），通過引入多尺度梯度損失函數，解決了傳統圖像編碼器在處理幾何信息時的失真問題。生成過程采用迭代密集視角策略，系統會逐步完善場景的全局點云，每次迭代時將已有點云投影到新視角，結合不確定性圖過濾低質量數據。最終通過基于RaDe-GS的3D重建技術，將多視角圖像轉化為包含語義信息的3D高斯點云，實現7000步內快速收斂的高保真重建。

實驗數據顯示，SpatialGen在文本到3D生成任務中全面超越分數蒸餾方法（SDS）。當在組合數據集上訓練時，其圖像獎勵分數較SceneCraft提升12%，FID分數降低18%。在圖像到3D生成測試中，系統能處理前進、內向、外向和隨機游走四種攝像機軌跡，其中內向軌跡生成的場景語義一致性最高，外向軌跡在創新布局上表現突出。與專門優化單一全景圖的Ctrl-Room相比，SpatialGen的優勢在于支持自由視角瀏覽，且生成的新視角圖像質量提升23%。

這項技術的價值已超越學術范疇。在游戲開發領域，設計師可通過文字描述快速生成數百種室內場景；在虛擬裝修應用中，用戶上傳房間照片后，系統能自動生成多種風格的設計方案；機器人研究機構則利用其生成多樣化訓練環境，提升導航算法的泛化能力。研究團隊已開源數據集和模型代碼，為行業提供基礎工具。盡管當前系統在處理超復雜場景時仍需優化計算效率，但其展現的多模態理解與生成能力，正為三維空間設計開辟全新可能。