使用生成对抗网络 (GAN) 以解决真实与合成数据之间的领域差异，提高物体检测的性能，尤其针对行人检测，在不需要真实标签的情况下生成真实样本，适用于各种下游任务。

Jul, 2023

本文提出 SDTracker，一种利用合成数据进行多目标跟踪的方法，实现领域泛化和半监督学习。通过对图像进行风格随机化，使用 ImageNet 数据集获得合成数据，通过对不同 “风格” 图像进行金字塔一致性损失的强制执行来学习领域不变特征；运用伪标记方法，使用 PPO2 算法搜索每个序列的置信度阈值，以获得高质量的伪标记，进而在 MOT17 训练集上实现多目标跟踪并获得 61.4 的 HOTA 值

Mar, 2023

本文提出了使用生成对抗网络（GAN）与多个辨别器结合的方法，生成大量逼真的行人图像并应用到行人检测任务中，证明通过添加合成数据可以显著地提高检测器的性能。

Apr, 2018

介绍了一个名为 PDI 的任务，以评估指定去身份识别方法的去身份化程度和下游任务训练绩效，提出了基于生成对抗网络的全身去身份化方法，展示了该方法对乘客识别、探测和跟踪模型的应用及其可行性

Jun, 2023

本研究探索了使用全合成或合成增强真实数据的两种方法来解决多人二维姿势估计的问题，并研究了哪种方法更好地推广到真实数据，以及虚拟人物在训练损失中的影响。通过使用增强数据集，且不考虑训练损失中的合成数据，可以得到最佳结果。该研究还使用对抗性师生框架，发现不是所有的合成样本对训练都有同样的信息量，且信息量会随着训练阶段的不同而发生变化。

Aug, 2019

本研究展示了合成数据的各种发展和应用方向，其中讨论合成数据的基本计算机视觉问题、室内外场景合成及数据应用、机器人仿真环境、合成数据在隐私相关应用方面的重要性，同时概括了如何改进和生产合成数据的替代方法。其次，介绍了合成数据转化后的真实应用存在的问题，最后，着重强调了未来在合成数据研究方面的最有潜力的方向。

Sep, 2019

该研究提出了一种使用扩散模型增强模拟数据集的方法，以改善行人检测在现实世界数据中的性能，并使用扩散基础架构来生成具有真实分布的数据集，以填补模拟数据和真实数据之间的差距，通过使用生成数据与模拟数据进行的训练可以将行人检测模型在真实数据中的平均精度提高 27.3%。

May, 2023

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

这篇论文提出了使用合成数据来训练深度网络来解决计算机视觉问题的方法，并评估数据集的性质对性能和泛化能力的影响，同时证明了在训练过程的不同阶段使用不同类型的数据的学习进度的好处。

Jan, 2018

本文探讨使用有针对性的合成数据增强 - 结合游戏引擎模拟和 sim2real 风格转移技术 - 填补视觉任务的真实数据集中的空缺。在三种不同的计算机视觉任务中（停车位检测，车道检测和单 ocular 深度估计），实证研究一致表明，将合成数据与真实数据混合训练能够显著提高交叉数据集的泛化性能。

Apr, 2020