介绍了一种 Python 框架 Kubric，它利用 PyBullet 和 Blender 生成逼真的场景并生成数据集，以解决获取大规模数据的困难和昂贵的问题。该框架支持丰富的标注和可扩展性，并可解决偏见、隐私和许可证方面的问题，适用于研究 3D NeRF 模型和光流估计等任务。

Mar, 2022

使用合成数据进行指纹识别的研究已经引起了广泛关注，因为它具有减轻围绕敏感生物特征数据的隐私问题的潜力。为了解决这个挑战，我们提出了 GenPrint，一个可以生成各种类型指纹图像并保持身份的框架，可以对指纹类别、采集类型、传感器设备和质量级别等不同外观因素进行人类可理解的控制。

Apr, 2024

本研究提出一种数据驱动的学习模型，用于合成按键生物特征数据，并与基于通用和用户相关模型的两种统计方法进行比较。通过合成生物特征数据，本研究改进了基于按键的机器人检测系统的训练过程，并通过定量和定性实验验证了三种方法的表现。实验结果表明，在有大量标记数据的情况下，这些合成样本可以被高精度地检测出来，但在少样本学习的情况下则是一个重要的挑战。此外，这些结果显示了所提出模型的巨大潜力。

Jul, 2022

通过使用 Blender 软件开发的交互式合成数据生成器 blender-hoisynth，本研究提出了一种用于精确跟踪三维手 - 物体交互的有监督学习模型，以解决大量标注数据和非专业人员标注三维真值在二维图像上的困难问题。该生成器可生成高度真实和具有物理合理性的视频数据，用于训练 HOI 重建模型。通过使用这些合成数据替代 DexYCB 数据集的训练数据，实验证明数据替代并不会明显降低模型性能。

Jan, 2024

本文提出了一种基于无标注的合成数据的无监督人脸识别模型 (USynthFace)，该模型使用大量的几何和颜色变换以及基于 GAN 的数据增强来训练，实现了相对较高的识别精度。

Nov, 2022

提出一种从原始数据集生成安全合成数据集的方法，基于预训练的深度神经网络（DNN）的批量归一化（BN）层统计信息和随机噪声进行优化来匹配原始数据的层次统计分布。该方法可以用于从头开始训练神经网络来产生合理的分类性能。

Oct, 2022

通过开发多步骤的合成数据生成框架并评估其风险效用模型，成功评估了使用该框架生成的数据的质量，展示了开放 - CESP 倡议的技术和概念的可行性。

Oct, 2023

本研究提出并研究了使用一种隐私友好的合成人脸数据集，通过条件生成对抗网络生成类标记的人脸图像。在此基础上，提出了三种不同的学习策略，对这种隐私友好的合成数据集进行人脸识别的训练，并在多个人脸识别基准测试中证明了其高潜力。

Jun, 2022

本篇论文旨在通过 ArtiFact 大型数据集以及多分类分类方案和滤波步幅缩减策略，检测来自已知和未知生成器的合成图像，以增强合成图像探测器的泛化和鲁棒性。结果表明，该方案在 IEEE VIP Cup ICIP 2022 挑战赛上取得了明显的优势。

Feb, 2023

我们提出了 PrintsGAN，这是一种合成指纹生成器，能够为给定的指纹生成独特的指纹和多个印象。使用 PrintsGAN，我们合成了一个由 525k 个指纹（包括 15 个印象的 35k 个不同手指）组成的数据库，利用该数据库，我们训练了一个深度网络，从指纹中提取了一个固定长度的嵌入，这在真实情况下是非常困难的。

Jan, 2022