Tag · 12 篇
合成数据
当漂亮不再有用：探究现代文本到图像模型为何无法作为可靠的训练数据生成器
When Pretty Isn't Useful: Investigating Why Modern Text-to-Image Models Fail as Reliable Training Data Generators
对做合成数据训练、数据增强或生成式数据引擎的视觉研究者，这篇论文提示：T2I 模型的视觉保真度与提示词遵循度提升并不等于训练数据可用性提升，需在数据生成流程中显式度量生成分布的多样性与对真实分布的覆盖度，而非只看 FID 或人工观感。
释放隐蔽后门大流行：感染单个扩散模型
Unleashing Stealthy Backdoor Pandemic by Infecting a Single Diffusion Model
揭示使用第三方扩散模型生成合成数据训练下游模型时，后门可跨模型传播的供应链风险；其提出的四项测试可作为评估视觉模型后门鲁棒性的新基准。
面向复杂图像编辑的鲁棒序列分解
Towards Robust Sequential Decomposition for Complex Image Editing
把复杂指令式编辑拆成多步序列执行，并用合成数据管线构造带高质量分解序列的大规模编辑数据集，再与真实编辑数据联合训练实现 sim-to-real 迁移；对做指令编辑、组合式编辑的研究者，这套分解范式与数据构造方式可直接复用。
文本印刷图像：弥合图像-文本模态鸿沟以实现大型视觉语言模型的文本中心训练
Text-Printed Image: Bridging the Image-Text Modality Gap for Text-centric Training of Large Vision-Language Models
提出将文本直接渲染为图像（TPI）来桥接模态鸿沟，为LVLM在仅有文本数据时提供低成本训练方案，可复用于数据稀缺场景下的视觉语言模型微调与数据增强。
Role-SynthCLIP：一种角色扮演驱动的多样化合成数据方法
Role-SynthCLIP: A Role-Play Driven Diverse Synthetic Data Approach
用多视角角色扮演提示驱动 MLLM 为同一张图生成互补字幕，在固定图像数量下提升图文对的语义多样性，可直接复用于 CLIP 类模型的预训练数据构造与细粒度对齐。
PhysInOne：一体化视觉物理学习与推理套件
PhysInOne: Visual Physics Learning and Reasoning in One Suite
为物理感知视频生成与世界模型提供带3D几何、语义、运动、物理属性与文本标注的大规模合成视频数据，可直接用于微调视频生成/预测基础模型并评测其物理合理性。
OmniFood8K：基于分层频域对齐融合的单图营养估计
OmniFood8K: Single-Image Nutrition Estimation via Hierarchical Frequency-Aligned Fusion
单张 RGB 图像经深度估计后，用频域分层对齐融合 RGB 与深度特征，并用基于掩码的检测头动态选择通道突出关键食材区域；这套「伪深度+频域融合」思路可迁移到任何缺乏深度传感器的细粒度识别任务。
基于来源信息的输入梯度引导从合成数据中学习
Learning from Synthetic Data via Provenance-Based Input Gradient Guidance
利用合成数据生成时记录的来源信息（provenance）作为辅助监督，对输入梯度进行分解与引导，抑制模型对非目标区域的依赖，从而学到更聚焦于目标的判别性表征；该思路可迁移到任何使用合成数据训练、且能获取像素级来源标注的视觉任务中。
通过合成视频学习可迁移的时序基元用于视频推理
Learning Transferable Temporal Primitives for Video Reasoning via Synthetic Videos
该工作表明，用程序化生成的合成视频（简单几何形状）训练 VLM 的时序基元（方向、速度、状态跟踪），能有效迁移到真实视频理解任务，为视频后训练提供了一条低成本、可扩展的数据构造路径。
合成数据用于音视频声源定位究竟能走多远？
How Far Can We Go With Synthetic Data for Audio-Visual Sound Source Localization?
对做音视频多模态定位的研究者，这篇给出了用 text-to-X 生成模型批量合成 VGGSound 克隆数据、并与真实数据混合训练的完整配方，可直接复用于缓解视觉-音频配对数据规模小、语义错位的问题。
Depth Any Panoramas：面向全景深度估计的基础模型
Depth Any Panoramas: A Foundation Model for Panoramic Depth Estimation
以 DINOv3-Large 为骨干、配合可插拔 range mask head 与几何一致性优化，构建跨室内外、跨合成/真实的全景度量深度基础模型；其三级伪标签清洗流程与 UE5+文生图合成数据构造方式，可直接迁移到其他缺乏真值的深度/几何任务。
将你的肖像带入三维临场感
Bringing Your Portrait to 3D Presence
Dual-UV 表示把图像特征映射到规范 UV 空间以消除姿态与构图引起的词元漂移，这一思路可直接迁移到任何需要姿态不变特征的单图人体/人脸重建管线；其因子化合成数据流形（2D 生成多样性 + 3D 几何一致渲染）也为缺乏 3D 标注的化身训练提供了可复用的数据构造方案。