Meta 发布 SceneScript 3D 场景重建技术

Meta Reality Labs Research 推出 SceneScript，一种用语言序列描述室内 3D 场景几何与布局的方法。当前 MR 头显如 Meta Quest 3 依靠摄像头或 3D 传感器采集原始视觉数据，再用预设规则把数据拼成墙、天花板、门等几何形状；这套启发式流程在几何不规则的空间里常出错。SceneScript 改用端到端学习，让模型直接从视觉数据推断房间几何，输出一段紧凑、完整、可读的场景表示，占用几个字节就能描述一间屋子，并允许人工编辑。

训练思路借鉴大语言模型的下一个 token 预测。Llama 预测的是文本中的下一个词，SceneScript 预测的是 wall、door 一类的建筑 token。物理空间没有像网络文本那样现成的大规模训练语料，团队转而用合成数据：Aria Synthetic Environments 包含 10 万个唯一的室内环境，每个环境用 SceneScript 语言描述，并配有一段沿用 Project Aria 眼镜传感器特性的模拟巡视视频。模型在仿真中完成训练以保护隐私，再用 Project Aria 的真实拍摄素材验证泛化能力，该数据集已对学术界开放。

SceneScript 的可扩展性同样值得关注。在场景语言里增加几个参数，模型即可预测门的开合角度；继续扩充语法，可定位物体并把沙发拆解为靠垫、扶手、腿等组成部分。对未来的 AR 眼镜而言，这类结构化空间表示能支撑无障碍导航等应用；对大语言模型而言，它提供了推理物理空间所需的词汇，使助手能回答"这张书桌放得下卧室吗""粉刷这间屋子要几桶漆"之类的空间问题。