从房屋到城市：智能体驱动的三维场景生成实践

生成式人工智能进入三维内容生产后，真正值得关注的并不是“能否根据一句话生成一栋房子”，而是模型能否持续理解空间关系、调用外部能力、管理复杂任务，并最终交付可编辑、可复用、可验证的三维资产。

从住宅照片恢复室内结构，到沿道路逐步构建城市街区，再到自动生成镜头脚本和宣传视频，这类应用表面上是三维建模能力的提升，背后实际涉及多模态理解、空间推理、智能体编排、程序化建模、渲染和工程治理等多个环节。任何单一模型都很难独立完成全部工作，较为可靠的方案通常是一条由多个模块组成的生产流水线。

一、三维生成正在从“出图”转向“交付工程”

传统生成式视觉系统主要输出二维图像。二维结果只要在当前视角下看起来合理，就可能获得较好的视觉效果；三维内容则不同，它必须同时满足多个视角下的几何一致性。

例如，一张客厅照片中，模型可以识别沙发、茶几、窗户和灯具，却无法仅凭可见像素确定所有物体的真实尺寸与遮挡区域。要生成可用的三维场景，系统还需要推断：

1. 房间的长宽高及墙体结构；
2. 相机位置、焦距和拍摄方向；
3. 家具之间的相对距离与尺度；
4. 被遮挡区域可能存在的结构；
5. 材质、光照与表面反射特性；
6. 不同照片是否属于同一空间；
7. 门窗、走廊和楼梯之间的拓扑关系。

因此，三维生成不是简单地把二维内容“立体化”，而是要构建一个内部一致的空间表示。最终结果也不能只是一段不可修改的视频，而应包含网格、材质、灯光、相机、动画和场景层级等可编辑资产。

这意味着评价标准也发生了变化：过去关注“看起来像不像”，现在还要关注“结构是否正确”“能否继续编辑”“是否适合渲染”“能否进入后续业务流程”。

二、端到端三维场景生成的典型流程

一个面向房屋、街区或影视场景的通用生成系统，可以拆分为输入解析、空间重建、资产生成、场景装配、质量检查和内容输出六个阶段。

1. 输入解析：先判断资料是否足以支撑重建

输入可能包括文字描述、房屋照片、平面草图、航拍图像、短视频或已有点云。系统首先要完成内容分类、目标检测、图像质量判断和元数据整理。

这一步不能只做物体识别，还应建立输入资料之间的关联。例如，多张照片是否来自同一房间、相邻图片是否存在重叠视野、室内照片与外立面照片能否对应。对于重复、模糊、曝光异常或视角信息不足的素材，应明确标记其置信度。

如果输入资料缺失严重，系统应输出“不确定区域”，而不是强行补全。生成内容可以用于视觉展示，但推测结果不能被当成测绘数据或施工依据。

2. 空间重建：恢复几何结构与相机关系

空间重建通常需要估计相机姿态、深度信息和场景尺度，再由多视角信息生成点云、体素或表面网格。

住宅场景中的难点主要包括：

• 白墙、玻璃等区域纹理不足，难以稳定匹配；
• 镜面与反射会产生虚假几何结构；
• 家具遮挡墙角，导致房间边界不完整；
• 不同照片可能经过裁剪或透视校正；
• 单张照片缺少绝对尺度信息。

工程上可通过门高、桌面高度等常见尺度先验进行辅助估计，但这种估计只能提供参考。更稳妥的方法是引入至少一个已知尺寸，作为全局尺度锚点。

对于建筑场景，还应区分墙体、地板、天花板、门窗和可移动家具。结构层与装饰层分离后，用户才能更方便地替换家具、调整材质或重新规划空间。

3. 资产生成：从物体识别走向可编辑模型

完成空间骨架后，系统需要为场景补充家具、植被、车辆、道路设施和装饰物等资产。

资产生成至少要处理三类问题。

第一类是几何质量。模型不能只在一个视角下成立，还要避免破面、自相交、悬空、穿插和比例失衡。对于需要实时展示的场景，还要控制网格复杂度并生成不同精度层级。

第二类是材质质量。系统需要为物体生成颜色、粗糙度、金属属性、法线和透明度等表面信息。材质必须与物理类别一致，例如布料、木材、玻璃和金属不能采用相同的反射方式。

第三类是语义信息。企业应用中的三维资产最好附带类别、房间归属、可交互状态和来源标记。这样才能支持后续检索、替换和自动化编辑。

例如，一把椅子不应只是匿名网格，而应具备类似下面的结构化描述：

对象类别：座椅
所在区域：客厅
变换信息：位置、旋转、缩放
几何状态：已检查
材质类型：织物与木质
生成来源：图像推断
置信等级：中
允许操作：移动、替换、删除

结构化元数据可以把视觉资产转化为可管理的生产资料。

4. 场景装配：解决“有物体但不像真实空间”的问题

单个物体生成得好，不代表整个场景自然。场景装配需要满足空间约束、功能约束和审美约束。

空间约束要求物体不能穿墙、悬空或相互重叠；功能约束要求桌椅保持合理距离、门的开启区域不能被堵塞、灯具应位于可安装位置；审美约束则关注家具朝向、画面平衡和风格统一。

这类问题适合使用“规则系统加模型推理”的混合方式处理。模型负责理解房间用途和布局意图，规则系统负责执行确定性的碰撞检测和尺寸检查。

一个简化的装配逻辑如下：

读取房间边界
识别主要通行区域
放置大型固定资产
执行碰撞检测
放置功能性家具
检查门窗可用空间
补充装饰资产
统一材质与色彩
生成质量报告

如果完全依赖生成模型，结果可能具有视觉吸引力，却不满足现实空间中的使用逻辑。

三、为何智能体模式更适合复杂三维任务

房屋和城市级三维生成往往需要运行较长时间，并包含大量相互依赖的步骤。一次性提示难以稳定控制整个过程，因此更适合采用智能体式任务编排。

智能体的核心价值不是“自动点击软件”，而是将复杂目标分解为可跟踪的子任务。例如，构建一栋住宅可以分为：

• 分析输入图片；
• 推断楼层和房间关系；
• 建立建筑主体；
• 生成门窗与楼梯；
• 布置大型家具；
• 增加小型陈设；
• 配置灯光和相机；
• 执行几何检查；
• 渲染预览；
• 根据检查结果返工。

每个阶段都应有明确的输入、输出和验收条件。只有通过检查的结果才能进入下一阶段，否则智能体需要调整参数、重新生成或请求人工确认。

长任务还需要具备断点续作能力。系统应记录任务状态、资产版本、失败原因和已完成步骤，避免某个局部错误导致全部重做。企业环境中还应限制单次任务可调用的计算资源、最长运行时间和最大重试次数，防止无边界执行。

四、从单栋建筑扩展到城市级场景

城市生成并不是简单复制大量建筑。规模扩大后，系统必须处理道路网络、街区边界、建筑密度、地形、植被和公共设施之间的关系。

较为合理的流程是先构建宏观结构，再逐步补充细节：

1. 建立城市骨架

首先生成地形、道路、河流、公园和街区边界。这些内容决定城市的总体拓扑，应优先保证连通性和空间一致性。

道路网络需要避免无意义的断路、过小转弯半径和相互穿插。公园、水域等区域则应作为明确的空间约束，防止后续建筑侵入。

2. 生成街区与建筑体量

在街区范围内，系统可依据用途、密度和高度约束生成建筑体量。此时不必立即制作窗框、广告牌等细节，而应先检查城市轮廓、建筑间距和道路采光关系。

采用分层精度策略十分重要。远处建筑只需保留轮廓和基础材质，近景建筑才需要完整立面和室内资产。否则，模型数量、纹理规模与渲染成本会迅速失控。

3. 补充局部细节

城市主体稳定后，再添加路灯、树木、座椅、交通标识等小型资产。资产应尽量实例化复用，而不是为每个对象生成独立几何数据。

在城市级任务中，生成效率并不只取决于模型速度，更取决于资产复用率、空间切片方式、缓存机制和增量更新能力。修改一个街区时，不应触发整座城市重新生成。

五、从三维场景进一步生成宣传片与影视预演

三维资产完成后，可以继续生成镜头序列。系统根据目标受众和内容重点规划镜头，例如先展示外部环境，再进入室内，最后呈现重点房间与景观。

自动化视频生产通常包括以下步骤：

1. 从场景语义中选择展示对象；
2. 生成相机路径和镜头时长；
3. 检查相机是否穿过墙体或物体；
4. 配置景深、光照与转场；
5. 输出低清预览；
6. 根据预览调整节奏；
7. 最终渲染并合成字幕、配音或说明信息。

这里的关键不是让镜头“动起来”，而是保证叙事顺序清晰。房产展示应突出空间尺度、采光和动线；影视预演则更关注演员走位、镜头调度和场景衔接。

自动生成的视频还应明确标注其虚拟或合成属性。若部分空间来自模型推断，应避免让观看者误认为其完全对应现实环境。

六、质量评估不能只依赖视觉观感

三维生成结果看起来精致，并不意味着它可投入生产。企业需要建立多维度验收体系。

几何指标

检查网格是否封闭、法线是否统一、是否存在自相交、穿插和悬浮对象。建筑结构还应检查墙地连接、门窗位置和楼层衔接。

空间指标

验证尺寸比例、物体间距、通行区域和碰撞关系。对于来自多张图片的重建任务，应检查不同视角下关键点的重投影一致性。

语义指标

确认物体类别、房间归属和用途是否正确。例如，不应把室外设施放入客厅，也不应将固定结构识别为可移动家具。

渲染指标

检查纹理拉伸、材质异常、阴影闪烁、曝光问题和不同镜头间的视觉一致性。

业务指标

最终还要根据应用目标进行评价。用于营销展示时，重点是视觉完整性和镜头表现；用于空间规划时，更关注尺寸可靠性与可编辑性；用于实时交互时，则需要重点控制资源规模、加载时间和运行稳定性。

七、企业落地时必须关注的工程治理

三维生成需要处理大量图片、视频和空间数据，其中可能包含住宅内部、人员影像、位置特征及其他敏感信息。企业应在上传、存储、处理和删除各阶段建立数据治理机制。

首先，应获得素材使用授权，并对人脸、门牌、文件和显示屏内容进行识别与脱敏。其次，应为生成资产保留来源记录，区分实拍重建、规则生成和模型推断部分。再次，任务日志中不应写入不必要的敏感原始内容。

在系统架构上，可将对象存储用于管理图片、模型和渲染结果，消息队列用于调度长任务，容器平台用于隔离计算环境，日志服务与监控告警用于追踪失败任务和资源消耗。这些都是通用工程能力，具体选型应结合数据规模、并发量和安全要求。

成本控制同样不可忽视。较实用的策略包括：

• 先生成低精度草模，确认布局后再细化；
• 只对镜头可见区域生成高质量资产；
• 对重复对象采用实例化和缓存；
• 将任务拆分为可复用的中间结果；
• 为失败重试设置上限；
• 对长时间无进展的任务自动终止；
• 人工确认关键节点后再进入高成本渲染。

八、三维生成的真正突破是生产方式变化

从室内照片到完整房屋，从街区骨架到城市景观，再从三维场景到宣传视频，生成式人工智能正在改变数字内容的生产方式。过去需要建模、材质、灯光、动画和剪辑等多个岗位串行完成的任务，正在被重组为“人提出目标、智能体执行流程、专业人员审核结果”的协作模式。

但这并不意味着专业人员会被简单替代。模型擅长快速生成候选方案和补充大量细节，人类仍需负责需求定义、艺术判断、事实核验、安全审查和最终验收。尤其是在建筑、测绘和工程设计等对精度负责的领域，生成结果只能作为辅助材料，不能替代专业测量与合规审查。

未来三维智能体的竞争重点，也不会只是谁能生成更复杂的画面，而是谁能稳定处理长任务、输出标准化资产、保留完整过程记录，并与企业现有内容生产链可靠衔接。只有当生成结果从“看起来惊艳”进一步走向“可编辑、可验证、可管理、可交付”，三维生成才真正具备规模化应用价值。