固定佈局的室內家具風格配搭，難點唔係搵到單件外觀相符嘅家具，而係放埋一齊之後會唔會撞色、撞材質，甚至整體氣質唔夾。StyleForge 就係針對呢個問題而設，喺唔改變家具類別、位置、朝向同比例嘅前提下，幫系統為每個家具槽位揀出更一致嘅組合。
現有做法多數只係逐件檢索，或者靠靜態關係去描述房間，結果容易忽略全局配搭。StyleForge 改用 scene-level structured selection framework，先由凍結嘅 multimodal large language model（MLLM）抽取風格線索，再由可學習嘅候選分佈配合 dynamic hypergraph style field，捕捉家具之間更高階嘅依賴。
佢另一個重點係 counterfactual style preference learning。做法係將每個候選視為當前風格場入面嘅局部替換，然後用 Mahalanobis energies 去評估同上下文嘅相容性，訓練時再交替優化風格場同候選 logits；推理時只更新房間專屬嘅候選 logits，逐步修正跨槽位衝突。
- 同時考慮單件相關性同整體房間協調
- 用動態 hypergraph 去表達跨家具依賴
- 以反事實推理檢查候選喺場景中的相容性
- 推理階段只調整房間專屬 logits，模型主體保持凍結
- 喺 3D-FRONT 上做出較一致嘅固定佈局家具安排
作者喺 3D-FRONT 上展示咗更高嘅 furniture retrieval 表現，同時亦提升 scene-level style coherence。對做虛擬室內設計、3D 內容製作，或者需要穩定室內擺設嘅 immersive embodied environments，呢種「先睇整體，再揀單件」嘅方法會更貼近實際需要。