本研究提出了一种用已有数据集进行数据注释以生成多模态数据的方法，以优化智能车辆系统中的数据模拟，实现高保真模拟并增加样本多样性并成功改善了语义分割的实验效果。

Aug, 2022

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

本文提出了一种无需真实图像数据的方法，通过修改前景和背景类的训练方法来适应合成图像，有效地训练出了适用于城市街景和驾驶场景的图像语义分割模型。

Jul, 2018

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

该论文提出了一种面向现实的域适应方法，通过学习合成数据，结合目标引导的蒸馏和空间感知的适应方案，可以提高语义分割网络从合成到真实城市场景的泛化能力。

Nov, 2017

通过半程序生成的合成城市驾驶场景，我们介绍了 UrbanSyn 数据集，该数据集具有逼真的光线效果。UrbanSyn 使用高质量的几何和材料开发，提供了像素级别的地面真实性，包括深度、语义分割和实例分割，并带有物体边界框和遮挡程度。它与 GTAV 和 Synscapes 数据集相互补充，形成了我们所定义的 “三剑客”。我们展示了 “三剑客” 在图像语义分割的无监督域适应中的价值。在真实世界的数据集 Cityscapes、Mapillary Vistas 和 BDD100K 上的结果建立了新的基准，这主要归功于 UrbanSyn。我们将 UrbanSyn 开放并免费提供（www.urbansyn.org)。

Dec, 2023

论文介绍了一个名为 SynthCity 的新型开放式数据集，可以提供一个用于深度学习自动分类三维点云数据的高质量的数据源。采用合成数据进行预训练网络是可能的解决方案。本文的贡献在于介绍了一种基于 3D 虚拟环境生成的全色移动激光扫描点云的数据集。

Jul, 2019

为解决现有数据集不能很好地捕捉真实城市场景的复杂性，我们引入了 Cityscapes—— 一个基准套件和大规模数据集，用于像素级和实例级语义标注的方法的训练和测试。

Apr, 2016

WinSyn 数据集是一个用于合成至真研究的测试工具，包括高分辨率的建筑窗户照片和 3D 模型渲染图。该数据集由全球范围内的 75,739 张建筑窗户高分辨率照片组成，并包括传统和现代设计。其中有 89,318 个窗户的剪裁子图像，其中有 9,002 个具有语义标签。此外，我们还提供了与领域匹配的逼真程序模型，可以对各种参数分布和工程方法进行实验。我们的程序模型提供了 21,290 个合成图像的第二个相应数据集。WinSyn 数据集的共同开发旨在促进合成至真学习和合成数据生成的研究。WinSyn 允许研究合成数据与真实世界数据竞争的因素，并使用我们的合成模型进行消融实验，以识别与准确性任务相关的显著渲染、材料和几何因素。我们选择窗户作为基准，因为它们在设计中呈现出较大的几何形态和材料变化，使其成为在受限环境中研究合成数据生成的理想对象。我们认为这个数据集是推动深度学习中合成数据生成未来研究的关键步骤。

Oct, 2023

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