本研究介绍了一个大规模的合成数据集，该数据集包括来自 4.5k 个室内场景的 40 万张基于物理的渲染图像，研究了不同的渲染方法和场景照明对深度学习算法在表面法线预测、语义分割和物体边界检测三个计算机视觉任务中的影响，并表明，使用这个新的合成数据集进行预训练可以提高所有三个任务的结果。

Dec, 2016

本研究提供了一份可扩展性强、真实感更强、规模更大、变异性更强、且在训练和评估深度学习方法、基准测试同时定位和映射（SLAM）方面有更广泛用途的数据集，以支持计算机视觉领域的研究。我们使用数百万个专业室内设计和制作级家具资产进行高分辨率和高帧率视频序列渲染，并支持各种摄像头类型以及惯性测量。同时，我们展示了稀疏和密集 SLAM 算法的基准测试结果。

Sep, 2018

这篇研究论文提出了一种使用仿真引擎产生的合成注释数据的方法，以训练机器学习算法。通过在丰富的虚拟环境中训练机器学习算法来实现对真实世界中的物体的分类，为实现自动驾驶汽车等基于传感器分类问题的深度学习应用提供了可能性。

Oct, 2016

本文介绍了一种系统性的方法来生成高度逼真、注释的合成数据，以用于计算机视觉任务的深度神经网络的训练。该方法的主要贡献是一种程序性的世界建模方法，能够产生高度可变性和物理准确性的图像合成，并且它是从手工建模的虚拟世界和在实时应用中使用的近似图像合成方法中脱颖而出的。我们的方法的优点包括灵活性、物理精确性、可扩展的图像合成、隐式广泛的类和特征覆盖以及完整的数据自检测以进行注释，所有这些都有助于质量和成本的效率。在本文中，我们以自动驾驶车辆和机器人导航的语义分割为主要应用，使用合成数据对多个深度学习体系结构进行了训练和微调。评估表明，我们的方法提高了神经网络的性能，即使是适度的实施工作也能产生最先进的结果。

Oct, 2017

通过使用虚拟图像数据集（即合成图像数据集），本研究通过使用虚拟图像数据集的控制性和真实性，提出了一种使视觉模型能够进行更严格评估的途径，为表征学习研究开发了新一代的交互式环境和数据集。

Aug, 2023

本研究探讨了结合实际图片和虚拟对象的增量学习方法，通过少量用户交互的方式，将虚拟对象添加到实际图片中，从而提高物体实例分割模型的性能。通过在 KITTI 2015 和 Cityscapes 数据集上的实验结果表明，增量学习方法可以显著提高实例分割和物体检测模型的泛化能力。

Aug, 2017

本文提出了一种基于 3D 模型合成无限数量的训练图像的方法，以提升目标检测的分类性能。通过估计渲染参数，生成的图像不仅要外观与真实图像相似，而且要在训练目标检测器时使用相同的特征。结果表明，与传统方法不同的是，此方法可显著提高无人机、飞机和汽车检测的性能。

Nov, 2014

本论文介绍了一种使用 3D 渲染和域随机化技术生成合成数据的方法，探究了深度学习和领域适应的相关理论和新发现，并利用模拟到现实的适应性作为下行任务，证明了合成数据预训练也有助于提高实际测试结果。最后，作者们发展了一个新的大规模合成到实际（S2RDA）图像分类基准，提供了更具挑战性的从模拟到现实的转移。

Mar, 2023

本文研究场景理解问题，通过使用计算机图形学生成合成 3D 场景，以解决手动收集大量数据问题，从而避免了收集数据的麻烦和昂贵成本。通过使用深度数据作为输入仅使用 RGB-D 系统的深度数据，我们在 NYUv2 数据集上的表现相当于最先进的 RGBD 系统，并在 SUN RGB-D 数据集上设置了基准。文章还探讨了生成合成图像或视频数据，以及分析影响性能增益的不同因素。

Nov, 2015

本研究提出了一种基于渲染图像合成和 CNN 的三维模型视点估计框架，通过构建可扩展且抗过拟合的图像合成流水线和针对视点估计任务的新型 CNN，实现了对 PASCAL 3D + 基准测试的最先进方法的显着优化

May, 2015