近日，华为公司联合上海交通大学与华中科技大学的研究团队，共同推出了一款名为WorldGrow的世界模型。该模型在3D室内场景生成领域取得了显著突破，能够构建面积高达1800平方米（对应19x39个区块）的超大规模虚拟室内环境，并实现了高效的生成速度——在单张NVIDIA A100 GPU上，仅需30分钟即可生成约272平方米的场景。

更重要的是，WorldGrow生成的场景不仅具备照片级的真实感和外观细节，其内部的几何拓扑结构也是完全连贯的。这意味着虚拟智能体（Virtual Agent）可以在这些复杂的空间布局中进行自主路径规划与导航，而不会出现穿墙或迷路等问题。

这一成果的核心在于其“按需扩展、无缝拼接”的生成范式，有效解决了传统大规模3D场景生成技术面临的多项挑战。

点击阅读原文，获取更多资源

传统技术的困境与挑战

在WorldGrow之前，构建大规模、高保真的3D室内场景通常会遇到以下瓶颈：

1. 几何与纹理不连续：部分方法依赖2D图像生成模型，再通过技术手段“提升”至3D。这种方式常导致视角变换后出现几何扭曲、物体悬浮、纹理断裂等问题。
2. 扩展性受限：许多先进的生成模型能够高质量地生成单个房间，但在尝试将多个房间组合成一个完整的套房或公寓时，其性能会急剧下降，难以维持场景的整体一致性。
3. 缺乏空间布局逻辑：一些方法在生成时忽略了功能分区的合理性，可能导致家具与房间功能不匹配的荒谬布局，例如将冰箱放置在卧室，或将床摆放在厨房。

WorldGrow的核心技术框架

为解决上述难题，WorldGrow采用了包含三个核心部分的技术方案，将场景生成任务分解为一系列精确且协同的步骤。

点击阅读原文，获取更多资源

第一步：精准的数据预处理

高质量的数据是模型成功的基础。研究团队首先从大规模3D室内场景数据集3D-FRONT中筛选优质样本。接着，利用Blender软件对完整的场景进行系统性切片：

• 区块切分 (Block Partitioning)：通过**布尔交集（Boolean Intersection）**运算，将连续的3D场景精确分割成标准化的区块。
• 内容密度保证：利用**占用率检测（Occupancy Detection）算法，确保每个切分出的区块都包含足够的内容，过滤掉过于空旷或无意义的空间。具体标准为，区块的可见内容（Visible Content）**必须占据至少95%的体积。

通过这一流程，团队构建了两个并行的数据集：

1. 粗粒度数据集 (Coarse Dataset)：分辨率较低，主要用于捕捉场景的宏观布局，如房间连接、走廊朝向和墙体结构。
2. 细粒度数据集 (Fine Dataset)：分辨率较高，保留了丰富的家具、材质和纹理细节。

第二步：基于3D块补全的无缝拼接机制

WorldGrow的创新之处在于将场景的“扩展”问题转化为一个“补全”（Inpainting）任务。当需要生成一个新的区块时，模型会基于相邻的、已生成的区块上下文进行预测和填充。

具体实现上，该机制包含两个协同工作的生成器：

• 结构生成器 (Structure Generator)：负责预测新区块的3D结构框架，确保与已有部分的墙体、门洞等对齐。
• 潜变量生成器 (Latent Generator)：基于已确定的结构，重建该区块的**结构化潜变量（Structured Latent, SLAT）**特征，以保证新生成区块在灯光、材质和整体风格上与周边环境保持统一。

在输入阶段，模型会融合三种信息：带噪点的潜变量、标识补全区域的二进制掩码，以及已掩码的已知区域特征。这种上下文感知的生成方式，从根本上消除了拼接处常见的边缘断裂和纹理错位问题。

第三步：由粗到精（Coarse-to-Fine）的生成策略

这一策略将复杂的生成任务分解，实现了宏观规划与微观细节的解耦。

1. 宏观布局生成：首先，粗粒度结构模型在低分辨率下运行，快速确定整个场景的总体规划，例如窗户的统一朝向、走廊的连贯性等。这一步相当于搭建了整个“大平层”的骨架。
2. 细节填充：随后，对生成的粗粒度结构进行三线性插值上采样（Trilinear Interpolation Upsampling），将其分辨率提升至与细粒度区块匹配的级别。最后，调用细粒度生成器，在已有的结构框架内填充高分辨率的家具、软装和纹理细节，完成场景的精装修。

实验结果与性能评估

实验结果充分证明了WorldGrow的先进性。

生成质量：在3D-FRONT数据集上的定量评估显示，WorldGrow在多个关键指标上达到了**SOTA（State-of-the-Art）**水平。

• 几何重建指标：MMD (Maximum Mean Discrepancy) 和 COV (Coverage) 两项指标均取得最优值。
• 生成质量核心指标：FID (Fréchet Inception Distance) 分数低至7.52（越低越好），显著优于SynCity、BlockFusion等当前主流方法。

扩展性与稳定性：即便在生成7×7区块（约133㎡）的超大场景时，WorldGrow依然能保持稳定的边缘拼接质量和全局一致性。

生成效率：在单张NVIDIA A100显卡上，WorldGrow生成10×10区块（约272㎡）的室内场景仅需30分钟，其速度约为同类技术的6倍，展现出卓越的工程应用潜力。

点击阅读原文，获取更多资源