本研究介绍了一个基于虚幻引擎的逼真仿真训练和评估系统 ——Sim4CV，它可以应用于计算机视觉领域的多个方向，例如自主飞行器追踪移动物体和自动驾驶，该系统可以自动生成真实感强的合成数据集来拓展现有的真实世界数据集。
Aug, 2017
本研究运用计算机图形学的进展生成虚拟世界，实现了完全标记、动态、逼真的代理虚拟世界，并通过虚拟 KITTI 数据集提出了有效的现实世界克隆方法，通过该方法，可以提高深度学习算法预训练的性能。本研究进一步证明了虚拟世界可以测量各种天气和成像条件对识别性能的影响。
May, 2016
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
介绍了 Unity Perception 套件，通过提供易于使用和高度可自定义的工具集，简化和加速了生成计算机视觉任务的合成数据集的过程。提供一个可扩展的随机化框架，让用户能够快速构建和配置随机化仿真参数以引入生成的数据集的变化，并通过训练一个二维物体检测模型证明了生成的合成数据集的价值。
Jul, 2021
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。
本文介绍了一种高效的图像合成方法 UnrealText，可通过 3D 图形引擎呈现逼真的图像，包括场景和文本，可以更好地生成文本区域建议，并对场景文本检测和识别的效果进行广泛实验验证。
Mar, 2020
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
该论文研究使用虚拟环境训练 CNN 模型的有效性，并针对城市语义理解提出了一种简单的概率场景模型，开发了参数化渲染工具进行数据综合，并系统地探索了真实感水平对 CNN 模型普适性的影响以及域自适应概念，以减少性能偏差。
通过 VRKitchen 的虚拟现实环境和集成功能，该研究使用现代人工智能方法驱动具有复杂任务能力的实体代理，使人类教师能够进行演示培训，为任务导向学习等领域的广泛应用提供了标准化的评估基准和数据收集工具。
Mar, 2019