计算机视觉领域自诞生起就备受关注。计算机场景生成问题,作为计算机视觉领域一个重要的分支,涉及各种各样的应用场景,例如游戏的地图建模,家居装饰和城市对象布局。广阔的市场前景促使越来越多的研究人员对该问题进行研究。当前,该问题主要包括硬件方法和软件方法。硬件方法要求苛刻的设备和环境,样本扫描将完全确定生成的样本。场景生成的多样性受到极大限制。通过从案例库中选择布局对象,然后将其布置在给定的空间中,此方法正变得越来越主流。但是,对于不同的模型仍然存在两个主要问题。一是该算法耗时多且不能解决对象过多,布局空间复杂的布局问题。针对上述问题,我们开始研究基于室内场景生成的高性能交互式室内家具布局算法。主要贡献如下:本文首先提出了一种基于功能区域划分和家具填充的方法,以解决复杂客厅环境中布局对象过多的布局问题。根据功能,我们假设每种家具可以布置在一个或几个功能区域中。通过使用生成对抗网络(GAN)将空房间区域划分为几个功能区域。本文阐述了功能区域划分的学习过程,包括目标功能的构建和训练过程。此外,为了将家具填充到特定的功能区域,本文提出了一种基于学习的家具填充算法。通过针对每种类型的功能区域训练完全连接的网络模型,学习功能区特征与家具种类和位置之间存在的联系。实验表明,与现有方法相比,本文的自动家具布置方法在性能和效果上具有优势。最后本文提出了一个TextGAN网络结构,通过建立场景与交互式编码信息之间的关联,解决用户与模型进行交互的难题。本文在前期的工作中解决的最重要的问题是算法在复杂场景下的大量时间消耗。但是实际生活中场景生成必须考虑到人为的一些需求。我们努力创造出多样化的场景,丰富数据集内容,并且提出用家具信息作为交互式的需求编码,用于指导功能区划分。这对模型的训练提出了挑战。