SPHERE：基于 LLM 增强空间偏好学习与人在回路强化学习的自适应 VR 室内场景生成

论文提出 SPHERE，一个自适应 VR 室内场景生成框架，通过语音与手柄编辑等自然多模态交互提取用户持续的空间偏好，并将其抽象为分层约束以抵抗空间畸变；同时采用 human-in-the-loop 强化学习，依据用户最终编辑的场景动态更新检索策略。论文报告了一项 N=42 的混合设计用户研究和离线消融实验，结果显示 SPHERE 显著减少纠正性编辑与体力消耗，避免偏向浅层物体特征，生成几何稳健且与用户画像对齐的布局。项目页面与源码将公布于 GitHub。

此前的 3D 室内场景合成管线无法跨会话保留用户个人偏好，用户每次创作都需重复调整，过程繁琐且体力负担大。SPHERE 将孤立式合成转为持续的人机协同创作，把用户的历史编辑转化为可复用的偏好与约束，并用强化学习让检索策略随用户最终结果持续更新，改变了场景生成工具一次性、无记忆的交互范式。

SPHERE 从语音和手柄编辑等多模态交互中提取持久空间偏好，将原始编辑抽象为分层约束，分别建模局部功能语境与全局拓扑语境，以应对空间畸变；再通过人在回路强化学习，以用户最终编辑后的场景作为反馈信号，动态更新检索策略。该机制使偏好捕获、几何约束与策略优化形成闭环，从而生成与用户画像对齐的布局。

对 VR 内容创作工具而言，该方向意味着产品可从一次性生成转向跨会话记忆用户偏好，减少重复纠正编辑并降低体力消耗，提升沉浸式创作的连续性。研发上需要构建偏好抽取、分层约束表示与在线策略更新模块，并处理语音与手柄等多模态输入。论文未给出具体延迟、算力成本或部署条件，商业落地成本仍不明确。

• 在 VR 室内设计工具中加入跨会话用户空间偏好档案，减少每次创作的重复调整。
• 将用户的语音与手柄编辑历史封装为可复用分层约束模板，用于快速生成个性化布局。
• 把用户最终编辑结果作为反馈信号，构建可在线更新的场景检索策略。
• 面向家装、虚拟展厅等场景，提供基于个人偏好的自动布局与一键微调能力。

• SPHERE 在不同 VR 头显与手柄设备上的兼容性和性能表现尚未说明。
• 分层约束与强化学习策略更新所需的训练与推理成本是否适合实时 VR 场景未明确。
• 用户研究样本为 N=42，长期跨会话偏好保持效果是否稳定仍待验证。
• 项目页面与源码尚未发布，复现与第三方评估结果未知。