使用 SCROD Pipeline 标识物体检测器中的系统性错误
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
本文提出一种新颖的旋转多分类目标检测器 SCRDet，旨在解决小目标、杂乱目标和旋转目标检测的问题。并通过使用采样融合网络，以及监督像素注意力网络和通道注意力网络，来提高对小目标的灵敏度和准确度。实验结果显示该检测器在各类公共数据集上都表现出了最先进的性能。
Nov, 2018
通过生成合成图像来解决领域不稳定性问题，从而使训练的深度学习模型更加稳健。我们描述了我们的合成数据生成管道和我们的深度学习方法来回答这些问题。
Feb, 2022
本文提出了一种基于 3D 模型合成无限数量的训练图像的方法，以提升目标检测的分类性能。通过估计渲染参数，生成的图像不仅要外观与真实图像相似，而且要在训练目标检测器时使用相同的特征。结果表明，与传统方法不同的是，此方法可显著提高无人机、飞机和汽车检测的性能。
Nov, 2014
通过使用 Unreal Engine 5（UE5）的先进模拟能力生成合成数据集，本论文研究了不同快门机制对机器学习（ML）目标检测模型的影响，结果表明在 IOU=0.5 时，这两种快门模态之间的性能相当，在 IOU=0.5:0.95 范围内的检测准确度存在显著差异，这意味着对于许多目标检测应用程序，ML 流水线可能不需要对 RS 进行显式校正，但针对目标的细粒度位置的 ISP-less ML 流水线可能需要额外的研究。
Sep, 2023
利用 Stable Diffusion 进行合成图像数据集，通过 YOLOv8 自动边界框检测和质量评估，演示了仅使用合成数据训练图像分类器的可行性，并自动化了图像生成流程。
Jun, 2024
通过使用合成随机化图像增强的二阶段方法（SRIA），该研究提出了一种改进二维数据集模型泛化能力的新方法，特别是对于低分辨率的实际应用场景下的小物体检测，有效地提高了检测准确性。
Sep, 2023
使用合成数据进行预训练并在真实数据上进行微调的新型两阶段方法在减轻视觉识别模型的偏见方面取得了显著的改善，能够与偏见减轻方法整合并获得在三个大规模数据集上的最新性能。
Aug, 2023
通过使用文本到图像合成框架（如 DALL-E、稳定扩散等），我们提出了一种新的范式，以自动产生具有准确标签的训练数据。该方法将训练数据生成分解为前景物体生成和上下文一致的背景生成部分，并演示了在五个物体检测和分割数据集上使用我们方法生成的合成数据用于训练可以产生与使用真实数据训练的模型性能相媲美甚至更好的目标检测器。
Sep, 2023