学习领域特定语言动作空间中的内部布局策略

室内场景布局生成是室内设计中的一项具有挑战性的任务。现有方法通常将房间条件简化为粗糙的 3D 边界框并忽略门窗等结构元素，从而过度简化任务。更根本的是，许多现有方法将空间推理表述为直接坐标预测，从而将室内布局设计视为对原始几何参数的连续回归，这阻碍了模型学习智能布局设计的底层推理逻辑。我们提出了 \textbf{LayoutDSL}，这是一种基于 LLM 的新颖框架，用于学习特定领域语言（DSL）动作空间中的内部布局策略。 DSL 提供布局信息的显式符号表示，并用作布局推理的结构化动作空间，其中每个动作对应于可解释的设计决策。在这种基于 DSL 的策略学习范式下，我们构建了 3D-FrontDSL，这是一个房间结构注释数据集，与监督 微调 的合成 DSL 动作序列配对。为了通过可验证的反馈促进更具普遍性和可扩展性的政策，我们根据室内设计原则和物理合理性设计奖励，并通过强化学习优化政策。大量实验表明，与强大的基线和现有方法相比，LayoutDSL 显着提高了空间合理性和设计逻辑性。