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

论文介绍了一个名为 SynthCity 的新型开放式数据集，可以提供一个用于深度学习自动分类三维点云数据的高质量的数据源。采用合成数据进行预训练网络是可能的解决方案。本文的贡献在于介绍了一种基于 3D 虚拟环境生成的全色移动激光扫描点云的数据集。

Jul, 2019

本文介绍一种基于深度信息和点云表示的六维物体姿态回归系统，通过轻量级的数据合成流程为训练生成合成点云，而非昂贵的颜色图像合成。文中证明该系统在 LineMOD、LineMOD Occlusion 和 YCB Video 数据集上的有效性。

Mar, 2021

本文提出了一种通过将斑点模式投射到 CAD 模型上的方法实现对物体点云的物理真实综合，并采用一种新颖的几乎平衡的自我训练方法来更平衡地选择长尾类别的伪标签样本，实现了点云分类的无监督域自适应，在实验中达到了最先进的性能。

Mar, 2022

本文提出了一个从电脑游戏中快速生成带有准确点级别标签的点云的框架，可用于深度学习算法的训练和神经网络的鲁棒性测试并提出了自动标定方法，实验表明将生成的合成数据与训练数据集相结合可显著提高点云分割的准确性 (+9%)，通过从用户配置场景的点云进行神经网络的测试和重新训练，可以修复神经网络的弱点 / 盲点。

Mar, 2018

该研究提出一种名为 RandomRooms 的新方法，利用合成 CAD 数据集中的对象生成场景的随机布局并通过对象级对比学习来学习 3D 场景表示，并表明该模型可用于提高 3D 检测任务的性能和泛化能力，从而在 ScanNetV2 和 SUN RGB-D 等流行的 3D 检测基准上取得新的最优结果。

Aug, 2021

本文提出了一种全新的方法来创造纯合成训练数据，通过利用大量的 3D 背景模型和完全领域随机化的方法得到逼真的背景图像，并使用 “课程策略” 来生成所有前景模型，从而得到最佳的训练样本。使用 64 个商品对象进行实验，表明我们的简单方法可以训练出优于实际数据的检测器。

Feb, 2019

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

通过模拟关键因素（如传感器噪声、材料反射、表面几何）生成真实的深度数据，以提高深度神经网络的训练效果。

Feb, 2017

深度学习在增强现实引导手术中的应用可能性进行了评估，通过使用医学成像和基于 HoloLens 2 的点云数据集来研究深度学习点云对图像到患者注册的效果，并发现在具有挑战性的数据集上传统注册流程仍然优于某些深度学习方法。

May, 2024