室內傢俱陳設風格的反事實推理：StyleForge
為何重要
此研究展示瞭如何將結構化知識引入傢俱選擇流程，並利用凍結 LLM 作為風格診斷工具。這對於受限條件下的規劃型 AI 尤具啟發，顯示未來 3D 規劃或室內設計領域的 AI 能在不重新生成整體的情況下，透過區域性調整達致整體一致性。
固定式室內傢俱佈局在維持指定傢俱類別、位置與比例不變的前提下，常面臨風格混亂與多屬性衝突的難題。StyleForge 提出一種場景級選擇框架，匯入動態超圖風格場來捕捉傢俱間的高階依賴，進一步解決生成前的一致性問題。
- 框架構建基於動態超圖風格場，並採用反事實風格偏好學習，以 Mahalanobis 能量評估候選傢俱與當前風格場的上下文相容性。
- 利用凍結的多模態大語言模型從開放式請求與固定佈局中提取結構化風格先驗。
- 實驗資料基於 3D-FRONT，相較物件級與場級檢索基線，其傢俱檢索表現與場級風格一致性達到 SOTA（最高水準）。