arXiv cs.AI· Chucheng Xiang, Runze Wang, Zhi Deng, Ruchao Bao, Yuanwei Zhang, Yuxuan Xie, Hanliu Wang, Liangzhen Fei, Wenzheng Wu, Cheng Wan, Peifeng Li, Zhongyuan Liu, Ligang Liu·· 11 小时前AI 评分35
GALA：面向可控物体摆放的几何感知语言模型
GALA: Geometry-Aware Language Model for Controllable Object Arrangement
AI 导读
GALA 是一个带显式点云感知的几何感知语言模型，用于可控物体摆放，通过自回归方式逐个预测目标物体的 6D 姿态。模型采用两阶段训练：先以预训练任务对齐几何与文本模态，再针对摆放任务微调，并配套构建了覆盖多种房间类型与细粒度家具布局的多源场景数据集，将开源。
正文 · AI 翻译
作者：Chucheng Xiang、Runze Wang、Zhi Deng、Ruchao Bao、Yuanwei Zhang、Yuxuan Xie、Hanliu Wang、Liangzhen Fei、Wenzheng Wu、Cheng Wan、Peifeng Li、Zhongyuan Liu、Ligang Liu
摘要：对支撑、包含等细粒度放置约束进行推理，对于创建逼真的 3D 场景至关重要。现有方法依赖有向包围盒（OBB）等简化物体表示，无法感知细节几何，因此这仍是一项重大挑战。为解决这一局限，我们提出 GALA，一种具备显式点云感知的几何感知语言模型，用于可控物体放置。我们的模型以场景上下文和放置指令为条件，每次自回归地预测一个目标物体的 6D 位姿。我们采用两阶段训练策略：第一阶段通过预训练任务对齐几何与文本模态，第二阶段针对放置任务微调模型。为促进该任务，我们还整理了一个多源场景数据集，涵盖多样的房间类型和细粒度家具布置，并将开源以惠及社区。在我们的基准测试上，实验表明我们的模型显著优于不具备显式几何推理的基线方法。我们进一步开发了一个多阶段“规划—放置—验证”智能体流水线，利用该模型进行文本驱动的场景生成。项目主页：this https URL
| 评论： | 被 SIGGRAPH Asia 2026 Conference Papers 接收。项目主页：this https URL |
| 主题： | 图形学（cs.GR）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用格式： | arXiv:2610.28280 [cs.GR] |
| （或本版本的 arXiv:2610.28280v1 [cs.GR]） | |
| https://doi.org/10.48550/arXiv.2610.28280 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Chucheng Xiang [查看邮箱]
[v1]
2026 年 10 月 20 日星期二 14:32:52 UTC（12,540 KB）
来源：arXiv cs.AI · arxiv.org