Architect-Ant:可编辑的建筑平面图自动家具布置

TL;DR Architect-Ant 利用 505 套真实户型数据集 AntPlan 训练视觉语言模型，以可编辑坐标 DSL 直接生成家具布局，并通过 GRPO 优化 Layout Rule Score，在低几何违规下达到高功能完整性，省去昂贵迭代推理。

问题

问题背景：自动家具布局（Automatic Furnishing）是房地产可视化、室内设计与建筑工作流中的关键环节，负责将无家具的平面图转换为带家具的可视化场景，直接影响方案沟通与设计迭代效率。

现有方法局限： 传统规则/优化方法依赖手工定义几何与功能约束，难以覆盖多样住宅布局和复杂家具组合，泛化能力弱。基于生成模型或强化学习的方法受限于真实专业平面图数据稀缺，常在合成数据上训练，导致布局缺乏专业合理性。近期 agentic 迭代推理框架通过多步“生成—校验—修正”降低违规率，但计算成本高、推理链不可控，且难以直接输出结构化可编辑结果。深度生成模型对家具间交互约束（通行空间、开门范围、功能分区）缺乏显式建模，常产生碰撞或功能不合理布局。

为什么难/重要： 核心挑战在于几何约束（碰撞、包含、可达性）与功能约束（房间类型对应家具配置、朝向与功能关系）相互耦合，不同房间类别差异大，需要从专业图纸中隐式学习这些模式。真实数据获取与标注成本极高，505 个专业平面图已属稀缺资源。业界对快速、低成本、可编辑的布局生成有持续需求，尤其在工作流中要求输出对象级表示而非静态渲染图，以融入后续 3D 管线。

行业类比： 类似文本到 SQL 生成：将自然语言映射到可执行 DSL，再利用执行反馈做偏好优化，以提升生成结果的语义正确性与可编辑性。

核心洞察

• 将家具布局表示为可编辑的坐标 DSL，使模型直接输出结构化、对象级可编辑的布局，并能无缝转换为 3D 场景。这不同于生成图像或 dense mask 的方法，避免了后期矢量化和语义提取的困难，保留了交互式编辑能力，更适合实际建筑与室内设计工作流。通过 SFT 学习专业分布，模型生成符合真实习惯的布置，而非仅满足碰撞约束。
• 使用 Layout Rule Score 作为 outcome-level 奖励，结合 GRPO 进行优化，无需人工设计推理链或过程监督，让模型从最终布局的几何与功能评分中学会隐式推理。这区别于依赖 agentic 迭代搜索或显式 trace 监督的基线，显著降低了推理成本，同时实验表明其几何违规率低、功能完整度高，证明 outcome supervision 可以有效地迁移专业布局知识。
• 构建 AntPlan 数据集，从 505 个真实专业建筑平面图中提取 92 类家具的密集标注，覆盖 10 类住宅房间，填补了真实世界自动布置数据稀缺的空白。相比常用合成数据或稀疏标注，该数据集保留了专业设计师的布局模式与约束交互，为训练和评估提供了更真实的基准，使模型能学习到可泛化的功能安排而非简单填充。

方法

方法概览

Architect-Ant 以真实建筑平面图为输入，包括房间壳（墙体、门、窗位置）、房间类别（如卧室、客厅）及家具类别白名单。

关键模块 按处理流程如下：

• 可编辑布局表示：采用基于坐标的 DSL，每个家具实例表示为类别、位置、旋转角度和尺寸，支持逐物体编辑，避免位图或网格不可修改的局限。
• 监督微调（SFT）：在 AntPlan 数据集（含 505 张专业平面图、92 类家具、10 类房间）上训练模型，学习从房间条件到布局 DSL 的映射，捕捉专业布置模式。
• 约束感知优化（GRPO）：定义 Layout Rule Score (LRS)，聚合几何约束（碰撞检测、房间包含、家具可达性）与功能约束（物体配对、功能区域覆盖），作为奖励信号进行 GRPO 式偏好优化，只监督最终布局结果，不要求预定义推理链。
• 候选选择与 3D 渲染：生成多个候选布局，根据 LRS 与视觉偏好评分筛选，输出对象级可编辑家具布局，可进一步转换为 3D 场景用于可视化。

输出 为坐标级家具布局，保持房间功能完整性与几何合理性。

与依赖迭代 agentic 推理或生成式图像模型的同类方法相比，Architect-Ant 通过单次前向生成结合偏好优化，直接产出约束感知且可编辑的布局，计算开销更低且结果可精确调整。

实验

实验设计上，论文在 AntPlan 数据集（505 张真实专业住宅平面图）上开展评估，对比多种 state-of-the-art 基线方法。评测覆盖几何违规率、功能完整性、密度、覆盖率、Layout Rule Score (LRS) 以及基于 VLM 的视觉偏好，同时进行 SFT 与 GRPO 的消融实验。

关键发现：Architect-Ant 在降低几何违规率的同时获得较高功能完整性，定性结果更符合真实住宅布置模式。优化后的布局保持对象级可编辑，并能转换为 3D 场景。GRPO 以 LRS 为奖励信号，仅提供结果级监督，无需预设推理轨迹，避免了高成本迭代 agentic 推理。

与基线对比：多数基线依赖迭代式 agentic 推理或模板约束，Architect-Ant 通过预训练模型直接学习专业布置知识，生成速度更快且无需外部规划器。可比基线的优势在于可编辑 DSL 表示与结果级奖励结合，使模型在满足几何 / 功能约束的同时更贴近人类偏好。

行业影响

落地场景

Architect-Ant 可嵌入房地产展示、在线室内设计、家具电商与建筑 BIM 工作流。例如，房产平台对空置房源做 虚拟 staging，自动生成带家具的平面图和 3D 视图；家具电商在用户上传户型后实时推荐并摆放商品；设计软件提供 自动布局初稿 供设计师微调。

商业价值

核心是降低人工布置成本并加速迭代。传统人工布置一张户型图需数小时，Architect-Ant 可在秒级生成多套合规布局，用于 A/B 测试或批量房源处理，边际成本几乎为零。其 可编辑 DSL 保留对象级操作，避免黑盒输出，设计师可直接修改坐标、类别，提升交付效率。此外，约束满足（碰撞、可达性）减少返工，改善最终用户体验。

与现有产品/工作流的接口

模型输出为坐标 DSL，可无缝转换为 JSON/XML，集成到 AutoCAD、Revit、Blender、Unity 等工具。通过 REST API 或本地推理服务，前端调用生成布局，后端返回结构化数据，再渲染为 2D/3D。与 LLM 代理方案相比，Architect-Ant 单次前向推理，无需多轮 agentic 搜索，更易于嵌入实时交互产品。

具体 use case：

1. 某国际家具电商平台集成 Architect-Ant，用户上传房间照片或户型图，系统自动摆放该平台在售家具，生成“搭配建议”并直接链接购物车，提升转化率。
2. 某房地产 SaaS 工具批量对数千套空置房源生成带家具的平面效果图，用于线上 listing 展示，替代人工摄影或 3D 建模外包，降低 staging 成本。

局限

• 数据规模与多样性限制。AntPlan 虽含 505 个真实专业平面图，但相比大规模视觉语言模型预训练数据仍较小，且家具布局风格受限于收集来源，可能难以泛化到不同建筑规范、户型格局或非常规房间形状；92 个对象类虽覆盖常见住宅，但对商业、办公等场景覆盖不足。论文在摘要中也承认 automatic furnishing 受 limited real-world data 挑战，该数据集规模可能不足以捕捉长尾家具组合与复杂空间关系。
• 约束建模与评估替代性。LRS 通过聚合几何与功能约束提供 outcome-level reward，但这些规则源自对专业平面图的归纳，难以覆盖所有实际可用性、人体工学和美学因素；实验以 VLM-based visual preference 作为视觉质量评估，虽然比传统 IoU 更灵活，但 VLM 判断未必等同于专业设计师或住户的真实偏好，缺乏严格的人类专家研究。因此生成布局可能在规则分数下表现良好，但实际可用性仍待验证。
• 推理成本与实时性。Architect-Ant 使用 GRPO 和候选选择，需要生成多个布局候选并计算 LRS，相比单步生成方法增加了推理延迟和计算开销；文中虽提及 room-specific generation budgets 及 candidate selection，但未系统分析不同预算下的效率-质量 trade-off，也未给出与实时交互或大规模批量生产场景的对比。若部署到需要即时反馈的交互式设计工具，可能需要额外的蒸馏或缓存策略。