Meta-Sim 是一种生成模型，它使用概率场景语法的场景图来渲染图像并生成相应的真实标签，通过神经网络训练来缩小生成数据输出和目标数据之间的分布差距，以优化下游任务的性能以实现自动数据合成。

Apr, 2019

本研究提出一种自监督自动场景生成技术，可用于解决合成数据的生成成本高和领域差异等问题。该方法不需要真实世界数据集的监督，通过匹配真实数据的内容和特征，能够显著提高在多个数据集和真实数据集上场景图生成任务的表现。

Nov, 2020

通过混合模拟器和现实世界的数据，SimGen 模型能够学习生成具有多样性的驾驶场景，通过新颖的级联扩散管道解决了模拟到真实世界之间的差距和多条件冲突，并在保持可控性的基础上，获得卓越的生成质量和多样性。

Jun, 2024

采用基于学习的方法生成大规模的合成三维场景和任意数量的真实感二维图像，用于训练、基准测试和诊断学习基础的计算机视觉和机器人算法。

Apr, 2017

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

本文提出了一种使用无监督学习和鉴别器的框架，通过对城市场景生成逼真的照片来实现自主驾驶，避免大量验证和训练数据的高昂成本。

May, 2023

本研究提出了一种增量式生成 2D 或 3D 场景的方法，该方法具有全局一致性和局部真实观测结合的特点，能够在先前的全局先验和幻觉的基础上本地生成未观测到的区域，并能够通过自主导航将生成的幻景应用于实际场景，从而解决 SLAM 问题。

Nov, 2018

通过三种不同的生成式人工智能方法应用驾驶模拟器中的语义标签图作为创建真实数据集的桥梁，本文比较分析了这些方法的图像质量和感知能力，产生了包括驾驶图像和自动生成的高质量注释的新合成数据集，证明了扩散式方法可以提供改进的稳定性和解决 Sim2Real 挑战的替代方法。

Apr, 2024

本研究旨在研究利用基于图形模拟器生成的合成数据进行预训练，并使用 Task2Sim 将下游任务表示映射到最佳模拟参数，以生成最佳合成预训练数据。研究发现优化模拟参数得到的下游性能取决于任务类型，任务自适应的预训练数据比一般预训练方法表现更好，并且在训练数据受限的情况下可行。

Nov, 2021

本研究提出了一种基于强化学习的方法，用于自动调整非可微模拟器的参数，从而控制合成数据的分布以最大化模型的精度，相较于现有技术，该方法全面控制模拟器以最大化精度。

Oct, 2018