该研究提供了一种基于合成图像训练深层神经网络对象检测的系统，并探讨了领域随机化技术的重要性及其在检测 KITTI 数据集上的应用。
Apr, 2018
本研究展示了合成数据的各种发展和应用方向，其中讨论合成数据的基本计算机视觉问题、室内外场景合成及数据应用、机器人仿真环境、合成数据在隐私相关应用方面的重要性，同时概括了如何改进和生产合成数据的替代方法。其次，介绍了合成数据转化后的真实应用存在的问题，最后，着重强调了未来在合成数据研究方面的最有潜力的方向。
Sep, 2019
本文研究了航拍人体检测中利用合成数据来训练的方法，通过探讨实际数据、合成数据和数据池选择对合成数据的质量影响以及利用合成数据提高学习性能和域泛化能力的效果，发现了几个重要的发现，为未来研究提供了更合理的使用合成数据的方向。
May, 2024
使用合成数据与未标注的真实数据进行训练可在较低成本下实现与标注真实数据相媲美甚至更好的缺陷检测结果。
Jun, 2024
探究了一种称为 “Domain Randomization” 的技术，该技术使用非真实随机纹理来训练深度神经网络对象定位器，使得该定位器在真实环境中表现出色，并且可以应用于机器人控制中。
Mar, 2017
本文介绍了如何通过利用合成数据来有效地训练深度神经网络用于工业零件分类，特别是针对与实际图像之间的领域差异。通过引入一个合成数据集作为 Sim-to-Real 挑战的初步测试平台，其中包含了六个工业用例的 17 个物体，包括独立和组装部件，对形状和反射性非常相似的几个子集为工业部件的具有挑战性的案例进行了评估。通过研究五个最先进的深度网络模型（有监督和自监督）在仅使用合成数据进行训练但在真实数据上进行测试的性能基准测试，我们分析结果，得出利用合成数据进行工业零件分类以及进一步开发更大规模的合成数据集的可行性和挑战。我们的数据集和代码已经公开发布。
Apr, 2024
本文探讨使用有针对性的合成数据增强 - 结合游戏引擎模拟和 sim2real 风格转移技术 - 填补视觉任务的真实数据集中的空缺。在三种不同的计算机视觉任务中（停车位检测，车道检测和单 ocular 深度估计），实证研究一致表明，将合成数据与真实数据混合训练能够显著提高交叉数据集的泛化性能。
Apr, 2020
通过三种不同的生成式人工智能方法应用驾驶模拟器中的语义标签图作为创建真实数据集的桥梁，本文比较分析了这些方法的图像质量和感知能力，产生了包括驾驶图像和自动生成的高质量注释的新合成数据集，证明了扩散式方法可以提供改进的稳定性和解决 Sim2Real 挑战的替代方法。
通过使用合成数据，我们提出了一种用于单个 RGB 图像的已知物体 6-DoF 姿态估计的深度神经网络训练方法，成功地跨越了所谓的现实间隙，并通过机器人进行了实时物体姿态估计，取得了与基于真实数据的深度神经网络相当的表现。
Sep, 2018
我们提出了一种可扩展的数据生成流程，以应用于空中自主飞行。该流程利用自适应层次域随机化方法为无人机轨迹生成之前的环境基础地图上的资产创造无类型分布空间，通过障碍物生成和全局参数随机化扩展多样性，以自动产生多样且逼真的模拟场景配置和数据集，以便更好地推广到真实情况下的模型。
Nov, 2022