先感知后规划：将布局作为策略用于单目 3D 场景布局估计

本文针对单目图像构建结构化 3D 场景布局的难题，提出一种基于视觉语言模型的“先感知后规划”方法。该方法首先通过感知器定位 3D 物体，随后利用规划器通过离散动作（如平移、旋转、缩放）迭代优化场景假设，以提升物理合理性并保持与输入图像的一致性。提出的“布局即策略”（LaP）框架将规划阶段转化为策略学习问题，结合监督轨迹初始化与基于偏好的优化，无需显式奖励工程即可学习修正行为。实验表明，该方法生成的布局在物理连贯性和视觉对齐度上更优，并天然支持场景编辑等下游任务。