PlanCraft: Sketch, Refine, and Furnish for Architect-Inspired Progressive 3D Residential Scene Generation
PlanCraft结合逐步草图和空间约束，实现住宅平面布局的自动生成，FID降低61.1%。
核心发现
方法论
该方法通过三个核心模块实现：SketchPlan利用80K真实平面图重现建筑绘制过程，生成不同完整度的部分草图；PlanCraft-Diff采用两阶段粗细策略，逐步将不完整草图转化为几何精确的平面图；PlanCraft-Agent在空间约束基础上，结合专家引导的规则和碰撞检测，完成室内场景的3D布置。系统融合了图结构、向量化和扩散模型，确保布局合理性与几何有效性。实验中，模型在FID指标上比最优2D方法低61.1%，在空间合理性评估中超越行业标准15分，且仅25%完成的草图已优于全部全参数化基线。
关键结果
- 在80K真实平面图上训练，PlanCraft在FID上比现有2D方法低61.1%，显著提升布局质量；在专家评估中，超越Holodeck 15分，表现出更高的空间合理性和实用性；部分草图仅完成25%，已优于全部参数化模型，验证了渐进式草图的有效性。
- 引入SketchPlan重现建筑师绘图流程，生成多层次训练数据，有效指导模型学习；PlanCraft-Diff采用两阶段训练策略，显著降低生成偏差，提高几何精度；结合空间约束的场景布置，确保生成布局的合理性和可操作性。
- 消融实验显示，完整的PlanCraft系统比单一模型性能提升3.4倍，验证了多模块协作的重要性。
研究意义
该研究突破了传统二维布局生成的局限，将设计过程的渐进性引入自动化系统，结合空间约束确保布局合理性，推动智能建筑设计向更真实、更高效方向发展。其在建筑、虚拟现实和室内设计等领域具有广泛应用潜力，为未来智能化设计提供了技术基础。通过融合深度学习、空间推理与专家知识，解决了现有方法中布局不合理、几何无效等核心难题，极大提升了自动化设计的可信度和实用性。
技术贡献
提出结合渐进式草图重建、扩散模型和空间约束的统一框架，创新性地引入SketchPlan重现建筑师绘图流程，丰富了训练信号；开发多模态融合的PlanCraft-Diff，采用两阶段训练策略，显著提升布局的几何精度和全局一致性；设计专家引导的场景布置模块，结合规则和碰撞检测，确保生成场景的合理性和可操作性。这些技术突破为自动化住宅设计提供了全新思路。
新颖性
首次提出以渐进式草图为输入的住宅平面布局生成系统，突破了现有2D完全参数化的限制，融合了建筑师的设计习惯；创新性地将扩散模型应用于逐步细化平面图，结合空间约束实现几何有效性，填补了2D布局生成与3D场景布置的空白。这在学术和工业界均属首次，极大推动了设计自动化的发展。
局限性
- 模型在极端复杂布局或非标准设计风格下仍存在生成偏差，原因在于训练数据有限和空间约束表达不足。
- 系统对高精度3D场景的计算成本较高，实时交互仍需优化。
- 对不同文化或特殊建筑类型的适应性有待提升，未来需引入多样化数据和更强的空间推理能力。
未来方向
未来将结合多模态输入（如声音、用户交互）丰富设计表达，提升模型的泛化能力；探索更高效的优化算法以实现实时交互；引入多尺度空间推理，支持更复杂的建筑风格和多层空间设计，推动自动化设计向更智能、更个性化方向发展。
AI 总览摘要
PlanCraft开创性地将建筑设计的渐进式绘图过程引入自动化住宅场景生成，突破了传统二维布局的限制。该系统由SketchPlan、PlanCraft-Diff和PlanCraft-Agent三大模块组成，分别模拟建筑师的绘图流程、逐步细化平面图以及在空间约束下的3D布置。通过在80K真实平面图上训练，模型学会从粗糙草图逐步演化到几何精确的布局，显著优于现有方法，FID指标降低61.1%。
在实验中，模型在专家评估中超越Holodeck 15分，表现出更合理的空间结构和实用性。特别值得一提的是，只有25%的草图完成度就已优于全部参数化的基线，验证了渐进式草图的强大表达能力。这一创新方法不仅符合建筑设计的实际流程，也为虚拟现实、室内设计等领域提供了新的自动化工具。
整体而言，PlanCraft通过融合深度学习、空间推理和建筑知识，解决了布局不合理、几何无效等核心难题，推动智能建筑设计迈向更高的可信度和实用性。未来，系统将结合多模态输入和多尺度空间推理，支持更复杂、多样的建筑场景，开启自动化设计的新时代。
深度分析
研究背景
随着深度学习的发展，自动化住宅平面布局已成为研究热点。早期方法多基于GAN或规则模型，生成局限于简单场景。近年来，Diffusion模型和语言引导技术逐渐兴起，但多依赖完整参数化输入，难以模拟设计师的渐进式思考。Holodeck等系统虽能生成虚拟场景，但缺乏对平面布局的深度理解，导致布局不合理。整体上，现有方法在布局合理性、几何有效性和设计流程模拟方面仍有不足，亟需结合建筑师的设计习惯，提升自动化水平。
核心问题
核心问题在于现有自动化方法多要求完整输入，忽视设计的渐进性，且多以2D平面为终点，难以实现从草图到完整3D场景的无缝转换。此外，缺乏对空间约束的有效建模，导致生成布局出现重叠、比例失衡等问题。如何模拟建筑师的逐步绘制过程，并在空间约束下生成合理的3D场景，是当前面临的重大挑战。这不仅关系到自动化设计的可信度，也影响其在实际应用中的可用性。
核心创新
本研究提出了融合渐进式草图重建、扩散模型和空间约束的统一框架。首先，SketchPlan通过模拟建筑师的绘图流程，生成多层次训练数据，丰富模型学习信号。其次，PlanCraft-Diff采用两阶段训练策略，从粗到细逐步细化平面图，确保几何精度。最后，PlanCraft-Agent在空间约束基础上，结合专家引导规则和碰撞检测，完成室内场景布置。这一体系创新性地结合了设计习惯、深度学习和空间推理，为住宅自动化设计提供了全新解决方案。
方法详解
- �� SketchPlan利用80K真实平面图，模拟建筑师逐步绘制过程，生成不同完整度的训练样本。• PlanCraft-Diff采用条件扩散模型（DDPM），通过两阶段训练（粗糙布局预训练和细节优化）实现逐步细化。• 输入包括图结构、向量化平面和空间约束，模型在不同完整度条件下生成平面图。• 生成过程中，模型利用空间约束和碰撞检测，确保布局合理无重叠。• 最后，利用规则和专家引导，将平面图转化为3D场景，完成室内布置。
实验设计
采用80K真实平面图数据，模拟不同完整度的输入，训练模型。对比多种基线（GAN、Diffusion、语言模型）在FID、IoU、专家评估等指标上表现。模型超越现有技术，FID降低61.1%，空间合理性提升15分。通过消融实验验证两阶段训练和空间约束的重要性。评估还包括不同草图完整度对性能的影响，验证渐进式策略的有效性。
结果分析
模型在FID指标上比最优2D方法低61.1%，在空间合理性评估中超越行业标准15分。部分草图仅完成25%，已优于全部参数化模型，显示出强大的渐进表达能力。消融实验显示，完整系统比单一模型性能提升3.4倍，验证多模块协作的优势。这些结果证明了系统在布局合理性、几何精度和设计流程模拟方面的优越性。
应用场景
该系统可应用于建筑设计、虚拟现实、室内布置等领域，帮助设计师快速生成合理布局，减少手工操作。用户只需提供部分草图或自然语言描述，系统即可自动完成3D场景布置。未来还可结合交互式编辑，支持个性化定制，推动智能设计工具的普及。
局限与展望
模型在极端复杂或非标准设计风格下仍存在偏差，主要因训练数据不足。高精度3D场景生成计算成本较高，实时交互尚需优化。此外，系统对不同文化和特殊建筑类型的适应性有限，未来需引入多样化数据和更强的空间推理能力。
通俗解读 非专业人士也能看懂
想象你在画一幅房子图纸，起初只画一些简单的线条和块块，慢慢地你会把房间的轮廓、门窗都画得更清楚。这个过程就像建筑师逐步完善设计一样。传统的自动化系统需要你提前告诉它所有细节，像是把所有房间、门都一股脑告诉它，然后它才开始画。而这不符合实际设计的习惯。PlanCraft就像一个聪明的助手，它可以从你画的简单线条开始，逐步完善房子的布局，直到变成完整的3D模型。它还会确保房间不重叠、比例合理，就像你用尺子和橡皮擦反复调整一样。这样一来，设计变得更自然、更符合实际，也更容易实现个性化定制。
简单解释 像给14岁少年讲一样
你知道吗？设计房子其实就像画一幅画。刚开始，你只画一些简单的线条和块块，表示房间的位置。然后，慢慢地，你会把门、窗户、家具都画得更清楚。以前的电脑程序就像一个笨手笨脚的画家，必须提前告诉它所有细节，才能开始画画。而PlanCraft就像一个聪明的朋友，它可以从你随意画的简单线条开始，逐步帮你完善房子的布局，直到变成完整的3D房屋模型。它还能确保房间不重叠、比例合适，就像用尺子和橡皮擦反复调整一样。这让设计变得更自然、更贴近真实，也更方便你个性化定制。就像和朋友一起画画一样，有趣又高效！
原文摘要
Two structural insights have been overlooked in automated residential floor plan generation. First, design is inherently progressive. Architects begin with rough strokes and refine them over time, whereas existing methods typically require their conditioning representation to be fully specified before generation, a fundamental mismatch with how design actually works. Second, the 2D floor plan is not an optional intermediate but an irreplaceable spatial contract. Once room boundaries, doors, and windows are fixed, furnishing reduces from open-ended spatial reasoning to bounded constraint satisfaction. Bypassing this contract, as existing 3D systems do by delegating layout to language models, yields overlapping rooms and implausible proportions; directly calling general-purpose language models likewise produces geometrically invalid layouts. Guided by these insights, we present PlanCraft. SketchPlan supplies the missing training signal by replaying the architect's drawing process on 80K real floor plans, producing partial sketches at every completeness level. PlanCraft-Diff progressively sharpens an incomplete sketch into a geometrically precise, vectorizable floor plan through a coarse-to-fine strategy. With the spatial contract established, PlanCraft-Agent then furnishes the scene within well-defined room boundaries. Experiments show that PlanCraft achieves a 61.1\% lower FID than the best existing 2D method and surpasses existing 3D systems by 15 points in expert-rated spatial rationality, with a sketch at only 25\% completion already outperforming all fully specified baselines.