通过学习合成数据，我们引入了 Alice 基准测试，为研究社区提供了大规模的数据集和评估协议，同时讨论了领域适应的方法和未来方向。

Oct, 2023

本文提出了使用合成数据进行汽车损伤评估的方法，通过训练计算机视觉系统进行图像的部件和损伤分割，并展示了合成数据在部件分割和损伤分割任务中的优势。

Nov, 2023

该论文介绍了一个公共数据集，其中包含了 140 万个以参数方式表示的、程序生成的自行车设计，以 JSON 文件和栅格化图像形式提供。该数据集的创建依赖于一个渲染引擎，该引擎利用 BikeCAD 软件从参数化设计生成矢量图形。论文讨论了这个渲染引擎，并与数据集一起公开发布。尽管该数据集有众多应用，主要动机之一是需要训练参数化和基于图像的设计表示之间的交叉模态预测模型。例如，我们演示了可以训练预测模型，直接从参数化表示准确估计 Contrastive Language-Image Pretraining (CLIP) 嵌入。这样可以建立参数化自行车设计与文本字符串或参考图像之间的相似性关系。已公开发布了训练好的预测模型。该数据集是 BIKED 数据集系列的一部分，包括数千个混合表示的人工设计自行车模型和几个量化设计性能的数据集。代码和数据集可以在 this https URL 找到。

Feb, 2024

本文介绍了 “Fantastic Breaks (和它们在哪里找到)” 数据集，该数据集包含 150 个 3D 损坏的物体的扫描、防水和清理网格，以及完整对应物体的几何对齐。通过对破裂几何的详细分析，揭示了 Fantastic Breaks 和使用基于几何学和基于物理的方法生成的合成断裂数据集之间的差异，并使用该数据集进行了实验形状修复评估。

Mar, 2023

本篇论文介绍了一种基于单张 RGB 图像的包裹几何形态重建及损坏检测方法，并提出了 Parcel3D 和 CubeRefine R-CNN 两个创新性的算法和数据集用于检验所述方法的可行性和准确度。

Apr, 2023

本研究介绍了 Breaking Bad 数据集，它包含来自一万个基本模型的超过一百万个被模拟的碎裂物体，并通过最新的基于物理的算法实现碎裂模拟，为几何形状理解和重新组装碎裂物体提供了新的挑战。

Oct, 2022

本研究通过使用卷积神经网络进行物体检测的最新方法，创建了一个可供公开使用的大型路面损伤数据集，该数据集包含了来自 7 个日本市的 9053 张路面损伤图片，针对这个数据集训练出有较高准确性的路面损伤检测模型，并成功将损伤分为八个类型。

Jan, 2018

本文使用学习到的失误排名公式对当前表现最佳的人物重新识别模型的不安全性进行检验，提出了一种借助多阶段网络体系结构的反向盒子攻击方法，研究人员在四大重新识别基准上进行了广泛的实验。

Apr, 2020

识别钢筋混凝土缺陷在评估混凝土桥梁的结构完整性、交通安全和长期耐久性方面起着至关重要的作用。本研究提出了一个名为 'dacl10k' 的多标签语义分割数据集，包括 9,920 张来自实际桥梁检查的图像，区分了 12 个损坏类别和 6 个关键桥梁组件，并提供了基线模型进行评估。最佳模型在测试集上达到了 0.42 的平均交叉并集。'dacl10k' 数据集以及我们的基线模型将对研究人员和实践者开放，代表了目前在桥梁检查领域中图像数量和类别多样性方面最大的数据集。

Sep, 2023

本文介绍了一个新的大型基准测试 Syn2Real，其中包括了一个从 3D 物体模型渲染出的合成域以及两个包含相同物体类别的真实图像域，分别定义了三个相关任务：封闭集物体分类、开放集物体分类和物体检测。评估多种最先进的方法揭示了现有方法在不同任务上存在的许多适应性问题。

Jun, 2018