为了解决实际场景 3D 数据获取困难的问题，本文通过研究不同的数据生成方法并使用统一的评估体系，评估了不同预训练模型在多个任务中的表现，比如物体检测和语义分割，并提出了一种新的基于球谐函数的 3D 场景生成方法，在性能上超越了以往的方法，并且与使用真实世界扫描和 CAD 模型的方法表现不相上下。

Jun, 2023

本篇论文提出 SyntheticP3D 数据集和 CC3D 方法，结合这两种方法可以实现在只用 10% 的真实数据的情况下，与当前最先进的模型在物体位姿估计方面取得了可与之媲美结果，在采用 50% 的真实数据时还超越了 SOTA 模型 10.4%。

May, 2023

该研究提出了一种可用于 3D 数据的简单自监督预训练方法，在目标检测、语义分割和物体分类等方面取得了最先进的结果并提高了少样本类别的性能。

Jan, 2021

通过增加合成训练数据，使得含有 3D CAD 模型的深度卷积神经网络（DCNN）训练数据可以更好地适应目标领域，本文详细分析了在没有低级线索（纹理，姿态和背景）的情况下 DCNN 的学习能力，并表明我们的合成 DCNN 训练方法在几乎没有真实数据的情况下可以在 PASCAL VOC2007 数据集上获得更好的性能，并且可以在 Office 基准测试中的域偏移场景中提高性能。

Dec, 2014

本文提出了一种新颖的面向室内三维物体检测的对象层次域对齐（OHDA）框架，其中包括一种面向对象的数据增强策略以有效地使源域数据多样化，并引入了一个由对抗训练分支和伪标记分支组成的两分支自适应框架，以同时达到整体级和类别级的域对齐，通过适应结果的改进在 Synthetic 数据集 3D-FRONT 到真实数据集 ScanNetV2 和 SUN RGB-D 上分别取得了分别为 9.7％和 9.1％的 mAP25 改进。

Jun, 2024

本研究提出一种成本效益高的方法，通过组装多个随机基元来合成自动带有部件标签的 3D 对象，从而生成大量带有标注的数据集，并通过数据集蒸馏策略来移除冗余样本，实现了在生成数据集上进行监督分割与无监督重建的多任务学习。实验结果表明，该方法相对于其他常用数据集，可以取得最佳的 3D 目标对象分类结果，并能大幅缩短预训练时间。

May, 2022

本研究提出了一种基于多视图图像的方法，用于识别三维场景的对象形状和布局，通过在大型数据集上的实验，证明该方法可扩展应用于现实图像，并与依赖三维信息的方法相比，表现得更好。

Jun, 2022

本研究旨在促进 3D 深度学习表示学习的研究，重点关注高级场景理解任务，使用统一的三元组架构、源数据集和对比损失进行无监督预训练，对室内和室外、真实和合成数据集的 6 个不同基准进行分割和检测，取得了鼓舞性的结果，表明学习到的表示可以在不同领域推广使用，并且与监督的预训练的改善程度相似，建议未来的努力应该更加注重扩充数据收集而非详细标注。

Jul, 2020

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

AutoSynth 是一种新的方法，通过自动生成 3D 训练数据，为点云配准任务提供优化的数据集。它利用合成 3D 数据集和元学习策略，以较低成本搜索最佳的真实点云配准训练数据，相比使用 ModelNet40 数据集进行训练，该方法在不同的点云配准网络上获得了一致更好的性能。

Sep, 2023