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，目标是把单次场景合成变为持续的人机协同创作。方法上从语音与手柄编辑等多模态交互中提取持久化的空间偏好，将其抽象为同时刻画局部功能与全局拓扑的层级约束以抵抗空间畸变，并用人在回路强化学习根据用户最终编辑结果动态更新检索策略。作者报告了 N=42 的混合设计用户研究与离线消融实验，称其显著减少修正编辑次数与体力负担，并避免偏向浅层物体级特征。摘要片段在结论处被截断，具体数值与几何质量结论未能完整核实。

AI推荐理由 arXiv 论文，摘要给出了明确的方法构成（多模态偏好抽取、层级约束、human-in-the-loop RL）和用户研究规模（N=42）与离线消融，事实描述具体、信息密度较高。但正文片段在关键结论处被截断，无法核实其宣称的几何质量与减少编辑量的具体数据；且 VR 室内场景生成属于较窄的应用方向，对通用 AI/Agent 生态的直接价值有限。