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

本文探讨了使用合成图像训练最先进的对象检测器，特别是针对对象实例检测。我们在实际环境的图像中将纹理对象模型的 2D 图像叠加在一起，以便在各种位置和比例上进行训练。通过这些实验，我们证明了利用现有的对象模型仓库为新对象训练检测器的新机会。

Feb, 2017

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。

May, 2016

本文介绍了一种名为 Hypersim 的、具备完整的室内场景计算机视觉理解的合成数据集，该数据集为场景、对象和像素级别提供完整的标注信息，并且评估了数据集的生成成本，并证明了使用该数据集进行预训练可以显著改善语义分割和 3D 形状预测任务的性能。

Nov, 2020

本文提出了基于卷积生成模型的室内场景综合的新型、快速和灵活的流水线，通过预测物体的类别、位置、方向和尺寸，将其逐步插入场景。该流水线支持自动完成部分场景的生成，生成结果在以数据质量和视觉质量而言优于其他深度生成场景模型。

Nov, 2018

研究利用合成数据半自动化创建数据集并将其应用于对象视角估计这一重要任务，使用最先进的渲染软件在视点空间中密集地呈现图像，研究渲染参数对估计性能的影响，并表明合成数据的泛化不比两个真实图像数据集之间的领域适应更困难，并且将合成图像与少量真实数据结合使用可以提高估计准确性。

Mar, 2016

本文提出了一种增强合成图像逼真度的方法，通过卷积网络利用常规渲染流水线产生的中间表示来增强图像。

May, 2021

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

本文提出了一种使用神经渲染框架的方法，通过利用预测的深度数据和光源分割掩模，从单个图像中编辑复杂室内照明，解决了通过局部 LDR 场景观察从而对 HDR 照明进行建模和分离的难题，其特点在于综合使用场景重建和参数化 3D 照明的方法。

May, 2022