في عالم الذكاء الاصطناعي، تتطور تقنية توليد المشاهد الداخلية ثلاثية الأبعاد (3D Indoor Scene Generation) بسرعة فائقة، مما يفتح الأبواب أمام إبداعات جديدة في تصميم المساحات. عُرضت مؤخرًا تقنية جديدة تحمل اسم ScenePilot، وهي تشير إلى نقلة نوعية تعالج بعض القيود الحقيقية التي تواجه تقنيات المشاهد الحالية.

تعمل معظم الأساليب التقليدية على توليد تخطيطات مشوهة أو غير قابلة للتطبيق، مما يستدعي تكاليف عالية وغير مستدامة لإصلاح الأخطاء. بينما يسعى المشهد الجديد إلى تقديم إطار عمل يدعى Grow-and-Repair، الذي يدعم إنشاء المشاهد من خلال تحسين مستمر يعتمد على التعلم العميق.

يعتمد ScenePilot على نموذج يُسمى Hierarchical Retrieval-Augmented Planning (HRAP)، الذي يمكنه استرجاع تخطيطات وخطط على مستويات متعددة، مما يسهل التخطيط الوظيفي للمجموعات داخل الغرفة. ومن ثم، يستخدم مولدًا أساسيًا يعتمد على النص لإدخال المجموعات بشكل متتابع، معتمدًا على نموذج التصحيح متعدد الوسائط (Reinforcement Multimodal Repair - RMR) لإجراء تصحيحات محلية خفيفة بعد كل إدخال، وكذلك إصلاحات شاملة بعد الانتهاء.

لتحسين هذه العملية، قام المطورون بإنشاء مجموعة بيانات خاتمة (SceneReverse-17k) تتضمن مشاهد ثلاثية الأبعاد عالية الجودة وتم تعديلها لتكون بمثابة أهداف تصحيح قابلة للتنفيذ.

مع الدمج بين HRAP وRMR، يعد ScenePilot بديلاً فعالاً للتوليد الأحادي المتكرر وللتحسين الصعب الكامل للمشاهد، مما يحسن من الواقعية الفيزيائية، والتناغم الوظيفي، وقابلية التحكم بينما يحافظ على التنوع.