基于偏好贝叶斯优化的用户意图推断驱动的零件级三维形状生成

为什么更智能的三维设计工具很重要

任何尝试过在三维中构建物件的人——无论是在家居设计应用中制作一件家具，还是在游戏中创建一个角色——都知道选项很快会变得令人不知所措。现代人工智能能够根据简单提示生成惊艳的三维形状，但它很少真正理解人们究竟喜欢设计的哪些方面。本文介绍了 BOgen，一种新的系统，帮助设计师通过混合和匹配零件来创建椅子，同时 AI 默默学习他们的品味并引导他们找到更合适的方案。

从文本提示到有意义的三维选择

生成式 AI 的最新进展可以把“带有弧形靠背的木制餐椅”等文本描述转化为详细的三维模型。然而，这些工具主要追求视觉上的惊艳效果，对设计师在实际工作中做出的那种混乱、迭代性决策支持很少，尤其是当他们想要替换特定零件——比如把一把椅子的椅腿与另一把椅子的靠背组合起来——时。作者认为，一个真正有用的系统必须把设计师的意图置于眼球吸引之上，并且必须在零件层面工作，而不仅仅针对整体对象。BOgen 通过将强大的三维形状生成器与一个允许用户选择、比较与重组椅子零件的界面相结合来应对这一点，同时系统跟踪他们的偏好。

把复杂的形状宇宙变成简单的地图

每把生成的三维椅子背后都有一个描述其整体结构和各个零件的高维编码。直接在这个海量空间中搜索对于交互式工具来说会慢得不可行。为了解决这个问题，作者训练了一个变分自编码器（VAE）来压缩每把椅子的结构信息——尤其是零件的排列——到仅两个数值。这两个数值将每一种可能的椅子置于一个平面的“探索地图”上。相邻的点对应外形相似的椅子，而相距较远的点则代表截然不同的类型，从简单的餐椅到装饰性或非同寻常的作品。这个地图让设计师像在浏览一张椅子可能性的二维图册一样漫游复杂的设计宇宙。

让 AI 从简单操作中推断偏好

BOgen 不仅展示选项；它还从用户的行为中学习。当设计师标记喜欢的椅子、在地图上将鼠标停留在示例上，或请求“更多像这样的”设计时，系统将这些行为视为关于重要特征的线索——可能是圆润的靠背、纤细的椅腿或紧凑的占地面积。一种称为偏好贝叶斯优化的技术将这些信号建模为相对偏好，而不是僵硬的评分。它估计探索地图中哪些区域可能包含用户会喜欢的设计，以及哪些区域仍存在不确定性。基于这一估计，系统选择地图上的新点进行采样，在与当前品味相匹配的稳妥建议与可能揭示新兴趣的冒险建议之间取得平衡。

通过替换与混合零件进行设计

在 BOgen 的界面中，用户可以选择一把“主”椅和一把“副”椅，并通过对它们的零件进行插值直接合成新设计——例如把一把椅子的靠背与另一把椅子的椅腿融合。底层的零件感知三维生成器会从这些混合的组件重建出完整的三维模型。每个新设计都会被放回探索地图中，让设计师看到它相对于其他选项的位置。随着用户重复这个探索与零件交换的循环，系统逐渐细化对哪些组合有前景的理解，并提供更有针对性的建议，实质上与设计师共同创造，而不仅仅是对孤立提示作出响应。

用真实设计师对 BOgen 进行测试

为了评估 BOgen，研究人员让 30 名受过训练或在职的设计师使用两种工具完成早期阶段的椅子设计任务：一种是基础的“仅界面（UIonly）”界面，另一种是完整的 BOgen 系统。两者都可以从文本提示生成并重组椅子，但只有 BOgen 包含探索地图和基于偏好的推荐。定量指标显示 BOgen 对用户偏好的信心提高了，更可靠地识别出被喜欢的设计，并鼓励用户在更大且更多样化的设计空间中进行探索。问卷回复和访谈也证实了这些发现：设计师觉得 BOgen 更能澄清他们的目标、提出有用的建议，并促成那些仅靠文本提示无法达到的发现。

这对日常设计工具意味着什么

简单来说，这项研究表明仅仅让 AI 成为一个有天赋的三维雕刻家还不够；它还必须作为一个体贴的助手。BOgen 展示了如何将复杂的三维选项压缩为一张简单的地图，并以统计方式建模用户选择，从而将开放式的 AI 生成转变为针对每个人品味的引导式搜索。尽管这项工作聚焦于椅子并仅优化视觉吸引力，相同的做法——映射空间、观察用户选择并据此建议新选项——可以扩展到许多类型的三维资产，从车辆到角色。随着此类系统成熟并开始考虑像强度和可制造性等现实约束，它们有望让专业人士和非专家 alike 更容易、高效且富有创意地进行高级三维设计。

引用: Lee, S.W., Choi, J. & Hyun, K.H. Part-level 3D shape generation driven by user intention inference with preferential Bayesian optimization. Sci Rep 16, 7715 (2026). https://doi.org/10.1038/s41598-026-38916-7

关键词: 三维生成设计, 贝叶斯优化, 设计探索, 以用户为中心的人工智能, 基于零件的建模