本文介绍了使用激光诱导击穿光谱 (Raman) 进行光谱数据的定量分析。采用深度卷积多任务学习结构建立了鲁棒的校准模型，以预测分析物的浓度，辅助谱信息作为辅助输出。使用了基于模拟的数据扩充过程以合成代表实验数据的任意数量的光谱。通过利用多任务神经网络参数之间的相互依赖性，可以使用这些辅助输出来验证模型的可靠性。本文通过比较深度多任务模型与传统单变量和多变量分析的性能来突出了在该过程中引入的每个元素的单独贡献。

Oct, 2022

从稀疏的野外数据中准确估计几何和逼真外观，并将其渲染到新颖视角中，以增加机器人训练和测试的现实感、多样性和规模的研究。

Nov, 2023

在这篇论文中，研究者分析了一种基于机器学习的天气模型，通过在德国使用 ConvCNP 模型和不同数量的气象站进行 fine-tuning，论证了通过 Sim2Real 方法，使用重新分析数据进行预训练并利用实测数据进行精调，可以显著提高模型的性能，从而为天气预测和气候监测提供更准确的模型。

Oct, 2023

该研究提出了一种使用扩散模型增强模拟数据集的方法，以改善行人检测在现实世界数据中的性能，并使用扩散基础架构来生成具有真实分布的数据集，以填补模拟数据和真实数据之间的差距，通过使用生成数据与模拟数据进行的训练可以将行人检测模型在真实数据中的平均精度提高 27.3%。

May, 2023

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

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。

Apr, 2024

本文使用 3D 仿真数据进行预测未来人物轨迹，提出了一种通过增加仿真数据以学习鲁棒表示的新方法，可以更好地推广到未见过的真实数据，并在三个真实世界基准下实现了有希望的结果并在 Stanford Drone 和 the VIRAT/ActEV 数据集中取得了最先进的表现。

Apr, 2020

应用神经网络在雷达图像中进行目标检测，在自动驾驶方面显示出巨大潜力。为了解决真实雷达图像数据集获取的困难，特别是在长距离检测和恶劣的天气和光照条件下，雷达性能表现优异的场景，我们提出了 RadSimReal - 一种创新的物理雷达模拟工具，能够生成各种雷达类型和环境条件下的合成雷达图像及其标注，无需收集真实数据。令人惊讶的是，我们的研究结果表明，在 RadSimReal 数据上训练目标检测模型，并随后在真实世界数据上进行评估，产生的性能水平与在相同数据集上训练和测试的模型相当，甚至在跨不同真实数据集进行测试时，性能更好。RadSimReal 相比其他物理雷达模拟工具具有优势，因为它不需要了解雷达设计细节，而雷达供应商通常不会公开这些细节，并且具有更快的运行时间。这个创新工具有潜力推进基于雷达的自动驾驶应用的计算机视觉算法的发展。

Apr, 2024

本文探讨在模拟环境中学习机器人操作策略的方法，通过使用深度图像数据的随机扩增策略，实现了在非真实场景下学习并获得了验证。

Mar, 2019

本研究提出了一种基于一致性的方法，用于联合学习模拟和真实内窥镜数据的手术工具分割问题，实验结果表明，该方法在手术工具分割领域具有相对较好的效果。

Jul, 2020