该论文通过实验验证了从现代视频游戏中提取的合成 RGB 图像可以用于改进深度神经网络在图像分割和深度估计方面的性能，同时还说明了合成数据可通过简单的领域自适应技术提供类似或更好的结果，这表明与游戏开发者合作收集数据是未来计算机视觉的一个潜在方向。

Aug, 2016

通过仅在稀疏像素位置提供标签，深度神经网络可以实现良好的语义分割性能，结合主动学习机制和高效注释策略可以大大减少标注成本，并在 CamVid，Cityscapes 和 PASCAL VOC 2012 数据集上进行了实验证明了相当可比的性能。

Apr, 2021

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

利用虚拟现实技术开发的 Shooting Labels 标注工具，可以快速标注大规模环境的 3D 语义分割数据，同时可以集成多用户标注并计算标签的不确定性，还能将 3D 标注投影到 2D 图像中，提高像素级语义标注的准确性和效率。

Oct, 2019

本文介绍了使用计算机游戏 Grand Theft Auto V 生成一个大规模、多样化的合成人群数据集 (GCC 数据集) 及通过两种方法利用合成数据提高人群理解性能的结果，这有助于解决像素级人群理解中标注数据匮乏和过拟合的问题。

Jul, 2020

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

本文介绍如何使用数据增强方法来平衡语义标签分布，提高图像语义分割网络的性能，并使用生成对抗网络来生成逼真的图像以提高图像标签性能。实验结果表明，该方法不仅可以提高低准确度的分类的分割性能，还可以使平均分割准确率提高 1.3％至 2.1％。这种增强方法提高了准确性，可以轻松适用于其他分割模型。

Nov, 2018

本研究旨在评估使用游戏引擎在托盘分割的机器学习中生成合成训练数据的可行性。研究开发了一款工具，可从 3D 模型以像素完美的准确性自动生成大量带注释的训练数据，并且比手动方法更快地进行。使用 Mask R-CNN 管道进行图像分割，对于单独的托盘，AP50 达到了 86％。

Apr, 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

介绍了在混乱场景中进行机器人感知的方法，在 Amazon 机器人挑战赛中获得胜利。作者提出了两种策略：一种是基于深度度量学习的方法，另一种是基于全监督语义分割方法的方法，并在数据集上进行了全面分析。两种方法都有良好效果，值得进一步研究。

Sep, 2017