该研究探讨了跨域视频人物再识别的新问题，以合成视频数据作为训练的源领域，并以真实世界视频作为测试，显著减少了对真实训练数据的依赖。研究首先提出了一种自监督领域不变特征学习策略来提高合成数据在视频人物再识别中的作用，并通过自监督一致性损失进一步改进了目标领域中的人物识别能力。在四个真实数据集上的实验结果验证了跨合成与真实领域适应的合理性以及我们方法的有效性。令人惊讶的是，在跨域设置中，合成数据的表现甚至优于真实数据。

Feb, 2024

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

本文介绍了一种完整的方法来评估人物重新识别方法及其训练数据集在无监督实时操作方面的适用性，并以三个数据集为基准测试了四种方法，提供指南以帮助未来设计更好的人物重新识别流水线。

Dec, 2022

通过合成虚拟环境中的大规模人体图像数据集，训练出的行人再识别模型在全新领域中表现更好，该数据集名为 RandPerson，包含了来自 8000 个身份的 1801816 张人体图像，可以提高机器学习的泛化能力。

Jun, 2020

本研究通过构建包含数百种照明条件的新的合成数据集以及采用一种新颖的领域自适应技术来解决监控摄像头之间照明差异引起的重识别问题，取得了与监督技术相当的效果。

Apr, 2018

本文提出了一种名为 UnrealPerson 的新型流水线，它利用虚幻图像数据以降低培训和部署阶段的成本，在 person re-identification 中取得了较高的精度，并提供了一定的适应能力。

Dec, 2020

提出了一种新的 Diffusion-ReID 范例，通过生成和过滤阶段来有效增强和生成不同的图像，首先创造了一个新的大规模人员重识别数据集 Diff-Person，接着构建了一个基于 Diff-Person 预训练的更强大的人员重识别模型，与其他预训练和自监督竞争者相比，展现了显著的优势。

Jun, 2024

本文提出了一种无监督人物再识别方法，使用虚拟和真实数据进行训练，产生虚拟数据作为有标记的训练数据，利用协作过滤技术进行正样本挖掘，通过迭代优化来训练模型，实验结果表明该方法在无监督人物再识别方面达到了最先进水平。

Nov, 2018

本文提出了一种针对第五届 AI 城市挑战赛数据集 Track 2 的车辆识别方法，包括缩小真实与合成数据之间的域间差距、通过堆叠多个具有注意力机制的网络头进行网络修改、自适应损失权重调整等。该方法在不使用外部数据集或伪标签的情况下，在私人 CityFlow 测试集上实现 61.34％的 mAP，并在 Veri 基准测试中以 87.1％的 mAP 超越了所有先前的工作。

Apr, 2021

通过引入大规模、多样式和跨样式三个基准，该研究提出了解决主观性挑战的方法，包括非局部融合模块和属性对齐模块，取得了在这些基准中的领先性能。

Sep, 2023