来自 arXiv 的最新论文《StackGen3D: Stable 3D Block Stack Generation from Multiview Silhouettes》提出了一个从视觉规格生成稳定三维积木结构的框架。该论文由 Xiaopeng Zhang 等四位作者完成，于 2026 年 10 月 22 日提交至 arXiv，归属于计算机视觉与模式识别（cs.CV）以及机器人学（cs.RO）分类。
论文关注的核心问题是：当用户只给出视觉层面的规格时，如何生成既符合外形要求、又能在物理上稳定站立的积木组合。这一任务并不简单，因为相同的多视角轮廓可能对应大量不同的三维积木排列，模型必须在这些几何歧义之间做出选择，同时还要考虑积木之间的支撑、接触和相互穿插等物理约束。
StackGen3D 的输入包括两部分：一份给定的积木清单，以及三张正交方向的轮廓视图。输出则是一组符合这些轮廓且在物理上稳定的积木装配。作者将整个方法拆分为两个阶段。
第一阶段围绕物理信息图神经网络（PI-GNN）展开。该网络把积木视为节点，并显式建模积木之间的支撑关系，从而快速判断一个候选结构是否稳定。由于这种预测器速度很快，研究者可以用它来筛选并整理出一个规模较大、内容多样的稳定结构数据集，为后续的生成模型提供训练素材。实验表明，与参数量相当的多层感知机相比，PI-GNN 从简单堆叠结构泛化到复杂结构的能力明显更强，说明对支撑关系的结构化建模确实带来了收益。
第二阶段则在这个稳定结构数据集上训练一个条件流匹配模型。该模型的目标是学习与目标轮廓相符的积木配置的多模态分布，也就是说，对于同一组轮廓，模型能够覆盖多种合理的积木排列方式，而不是只输出单一解。
在实际推理时，系统并不依赖物理仿真来保证稳定性。相反，作者采用轻量级的几何筛选与细化步骤，以减少积木之间的相互穿插，并借助 Best-of-10 的选择策略从多个候选中挑出最优结果。根据论文给出的初步实验结果，这一选择策略将生成结构的物理稳定性从 45.3% 提升到 72.4%，同时轮廓 IoU 达到 0.970，说明生成结果在贴合目标外形方面表现良好。
作者认为，这些结果体现了将关系型物理推理、可扩展的数据整理以及条件生成建模结合起来用于创意三维装配的潜力。该工作还提供了项目网站，并将在 IROS 2026 的 Creativity in Assembly Workshop 上展示一张海报（非归档）。