该论文提出了一种方法来合成高度逼真的三维物体模型图像，并利用这些图像训练卷积神经网络以在真实图像中检测物体。

Feb, 2019

本研究介绍了一个大规模的合成数据集，该数据集包括来自 4.5k 个室内场景的 40 万张基于物理的渲染图像，研究了不同的渲染方法和场景照明对深度学习算法在表面法线预测、语义分割和物体边界检测三个计算机视觉任务中的影响，并表明，使用这个新的合成数据集进行预训练可以提高所有三个任务的结果。

Dec, 2016

提出一种利用半监督方法，在图像的着色和反照率层上操作，训练半监督网络用于图片合成，该方法可以有效提高 OpenGL 渲染等低质量合成图像的视觉逼真度。该方法通过两个阶段的管道来实现，即首先以物理学渲染为目标以有监督的方式预测准确的着色，然后再采用改进的 CycleGAN 网络进一步提高纹理和着色的逼真度。 在 SUNCG 室内场景数据集上进行的广泛评估表明，与其他最先进的方法相比，我们的方法可以产生更逼真的图像。此外，我们所生成的 “真实” 图像训练出的网络比领域适应方法预测出更精确的深度和法线，这表明提高图像的视觉逼真度可以比强加任务特定的损失效果更良好。

Mar, 2020

本文从数据驱动的角度回答了图像看起来真实的因素，并利用卷积神经网络（CNN）模型从大量数据中学习了视觉真实感知。该模型能够预测场景的视觉真实感，而无需任何人为标记，并应用于计算一种组合方法的最佳参数，以最大化 CNN 模型预测的视觉真实感得分。此外，通过人类感知研究，我们展示了它对现有方法的优势。

Oct, 2015

本文提出了一个有效的图像增强方法，通过深度图像恢复网络来将离散的对抗噪声样本转换回自然图像流形，从而提高对抗性的鲁棒性，同时提高图像质量和保持干净图像上的性能表现。

Jan, 2019

该研究证明使用带有适当结构的前馈网络进行直接回归，而不必依赖对抗性训练，可以从语义布局中合成具有照片外貌的图像，并通过实验证明此方法比其他方法更加逼真。

Jul, 2017

本文提出了一种针对任务的合成数据生成方法，通过训练可训练的合成器网络产生有意义的样本，并与现实世界的图像相关的判别器配对来生成逼真的数据，再通过加入混合术来提高训练目标分类器的不变性，实验结果表明该方法在不同的目标网络上的应用可以显著提高检测性能。

Apr, 2019

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

本文提出了一种基于多分支卷积神经网络的新型端到端注意力引导方法，利用合成的低光模拟数据构建数据集，通过使用两个注意力图指导亮度增强和降噪任务，并进一步增强输出图像的色彩和对比度以实现对低光图像的高保真增强，该方法在多个数据集上表现优异，比当前最先进的方法有更好的定量和视觉效果。

Aug, 2019

本文基于深度学习模型，提出了一个新的深度学习框架进行图像合成，该框架利用了最新的深度风格迁移模型和生成对抗网络，以修改特定高层次属性的方式改变图像样式，该方法在增加图像记忆和生成恐怖图片使用集中体现出其优越性。

Dec, 2018