GPT-6 Astra 从图像到3D （三）
之前两篇 （GPT-6 Astra 从图像到3D （一）、GPT-6 Astra 从图像到3D （二））介绍了单物体生成的尝试。很自然的扩展就是生成场景。
输入仍然是稀疏图片（厨房角落两张图片、工作区单张图片）。
要求 GPT-6 Astra 创建完整场景，同时其中每个物体可以单独取出使用。照片没拍到的部分可以补全，柜门、抽屉和灯具等代表性结构保留交互。
厨房场景：两图融合
厨房的两张图来自互联网检索，接近平视和俯视，前者能看清白色主柜、开放层架和蓝色壁柜的比例；后者补充了台面、冰箱与踏凳的位置。
需要说明的是，两张图片并非严格的同一场景多视角图像，餐具在两张图中的摆放还有些不同。
Astra 建模中以主柜和台面估计尺度，先统一固定家具，再采用俯视图中较完整的餐具摆放。将两个图片的信息组织为一套布局。
主柜、蓝壁柜、微波炉和冰箱确定了主要区域，砧板、杯盘、瓶罐和挂件再填入其中。厨房场景最终有 73 个独立物体。
交互集中在大家具上，共 11 个可动关节，包括柜门、抽屉和微波炉等活动部件。
工作区：单图生成
工作区只给了一张参考图片，场景中塞满了小物件：洞洞板、透明挂盒、剪刀、线圈、矿石、两盏灯，以及桌上的手机和平板。部分内容被遮挡，桌椅也没有全部拍进来。
Astra 建模过程先定位桌面、洞洞板和柜架，再补入各处物件。照片外的桌腿、椅子和下层空间由它补全；洞洞板做出实际孔洞，透明挂盒保留厚度，绳环与矿石则分别处理形状和材质。
由于场景包含很多相互依附的物件（最终有 94 个独立物体），建模过程中遇到一个通用难题就是物件位置的调整。Astra 注意到这里的移动并非各自独立：手机依附于夹架，夹架与灯架相连；平板靠在木支架上，木支架落在桌面上。支撑物下降，依附其上的物体也要跟着走。
如何从物体到场景
在我要求先安排布局、再渲染比对的基础上，Astra 将任务组织为：
用物体规格表管理家具与道具，把每件东西自身的几何、材质和活动结构，与它在场景里的位置分开记录。
在这个基础上，安排了三层工作：
- 先定大关系。 用主要家具估计尺度，确定墙面、桌面和柜体的位置；多张图里出现的同一处空间，需要统一起来。
- 再填入独立物体。 依次补上器具、摆件和挂件，为遮挡部分建立完整形状，并将具体交互分配到主要物体上。
- 检查物体之间的关系。 和参考图片渲染比对时，进一步选择了整体、近景和交互视角，还用几何检查处理穿插、开口和支撑位置。
下一步
目前的流程尚且粗糙，不论是输入本身、流程设计、验收标准，还是与现有 3D vision、AIG3D 的融合，都可以并值得继续探索和深挖。
但另一方面，我们也应该重新思考那些我们习以为常的体系，哪些只是知识，哪些才是智能？而哪些又是「迫不得已」的拙劣手法？