La capacité de synthétiser automatiquement des dispositions de meubles intérieurs réalistes et diversifiées, ou à partir d'une entrée partielle, ouvre la voie à de nombreuses applications, allant de l'amélioration des outils 3D interactifs à la génération de données pour l'entraînement et la simulation. Dans cet article, nous présentons ATISS, une nouvelle architecture de transformateur autorégressif pour créer des environnements intérieurs synthétiques variés et plausibles, en se basant uniquement sur le type de pièce et son plan de sol. Contrairement aux travaux précédents qui abordent la synthèse de scènes comme une génération séquentielle, notre modèle génère les pièces sous forme d'ensembles non ordonnés d'objets. Nous soutenons que cette formulation est plus naturelle, car elle rend ATISS généralement utile au-delà de la synthèse automatique complète des dispositions de pièces. Par exemple, le même modèle entraîné peut être utilisé dans des applications interactives pour le complément général des scènes, le réaménagement partiel des pièces avec tout objet spécifié par l'utilisateur, ainsi que pour suggérer des objets dans toute pièce partielle. Pour permettre cela, notre modèle utilise l'équivariance par permutation du transformateur lorsqu'il est conditionné sur la scène partielle et est entraîné pour être invariant par permutation dans l'ordre des objets. Notre modèle est entraîné de manière end-to-end comme un modèle génératif autorégressif en utilisant uniquement des boîtes englobantes 3D étiquetées comme supervision. Les évaluations sur quatre types de pièces du jeu de données 3D-FRONT montrent que notre modèle génère systématiquement des dispositions de pièces plausibles qui sont plus réalistes que les méthodes existantes. De plus, il possède moins de paramètres, est plus simple à implémenter et à entraîner et peut fonctionner jusqu'à 8 fois plus rapidement que les méthodes existantes.