論文の概要: Curating Synthetic Data for Task-Specific Visual Perception

• arxiv url: http://arxiv.org/abs/2609.38476v1
• Date: Tue, 29 Sep 2026 20:06:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.698231
• Title: Curating Synthetic Data for Task-Specific Visual Perception
• Title（参考訳）: タスク特異的視覚知覚のための合成データの算出
• Abstract要約: 専門的な視覚システムにおける中心的な問題は、より多くのデータを生成する方法ではなく、どのデータを生成するかである、と我々は主張する。 本研究では,シーン内容,外観変化,知覚特性,アノテーションが与えられたタスクを中心に意図的に設計されている合成データについて検討する。 得られた合成データは実観測の補完として最もよく理解されており、制御可能な監視と学習外観を組み合わせたハイブリッドパイプラインが信頼性の高いsim-to-real転送の最も有望な方向であると結論付けている。
• 参考スコア（独自算出の注目度）: 6.300892296220585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic data are most valuable where general-purpose datasets cannot provide the domain-specific priors a task requires, and where manual annotation is expensive, imprecise, or infeasible. In this article we argue that the central question for specialized vision systems is not how to generate more data, but which data to generate. We therefore discuss curated synthetic data, whose scene content, appearance variations, sensing characteristics, and annotations are deliberately designed around a given task. We examine three complementary curation paradigms. Procedural rendering offers explicit control over scene parameters and the annotations follow by construction. Physically-based simulation encodes the mechanism behind an observed effect and yields exactly aligned supervision pairs. Generative AI learns sensor-specific appearance from small real seed sets and attains plausible realism, though it remains prone to hallucination and to inaccurate annotation. These paradigms are illustrated with examples from industrial surface defect detection, restoration of degraded digitized autochrome plates, and 6DoF pose estimation from RGB and event data. Using these examples, we analyze different data regimes and training strategies that combine synthetic and real data across these paradigms. We conclude that curated synthetic data are best understood as a complement to real observations, and that hybrid pipelines combining controllable supervision with learned appearance are the most promising direction for reliable sim-to-real transfer.
• Abstract（参考訳）: 汎用データセットがタスクに必要なドメイン固有の事前情報を提供できない場合、手動のアノテーションが高価で不正確で、実現不可能な場合、合成データは最も貴重である。 本稿では、専門的な視覚システムにおける中心的な問題は、より多くのデータを生成する方法ではなく、どのデータを生成するかである、と論じる。 そこで本稿では,シーン内容,外観変化,知覚特性,アノテーションが与えられたタスクを中心に意図的に設計されている合成データについて論じる。 本稿では,3つの補完的キュレーションパラダイムについて検討する。 手続き的レンダリングは、シーンパラメータとアノテーションを明示的に制御する。 物理に基づくシミュレーションは、観測された効果の背後にあるメカニズムを符号化し、正確に整列された監督ペアを生成する。 生成AIは、小さな実のシードセットからセンサー固有の外観を学び、もっともらしいリアリズムを得るが、幻覚や不正確なアノテーションの傾向は残る。 これらのパラダイムは、工業用表面欠陥検出、劣化したデジタル化された自己クロム板の復元、RGBおよびイベントデータからの6DoFポーズ推定などの例で説明される。 これらの例を用いて、これらのパラダイムにまたがる合成データと実データを組み合わせた、さまざまなデータレシフィケーションとトレーニング戦略を分析します。 得られた合成データは実観測の補完として最もよく理解されており、制御可能な監視と学習外観を組み合わせたハイブリッドパイプラインが信頼性の高いsim-to-real転送の最も有望な方向であると結論付けている。

関連論文リスト

• ScratchSim: A Procedural Synthetic Data Pipeline for Surface Scratch Detection [7.759492039775529]
  本稿では,Blender を用いた大規模アノテート合成学習データを生成する手続き型レンダリングパイプラインを提案する。 本研究は,合成重量による4つのトレーニング戦略,すなわち,合成量,実量,混合量,微調整を評価する。 提案手法は,大規模な実アノテートデータセットの負担を伴わずに,スケーラブルな欠陥検出を可能にする。
  論文  参考訳（メタデータ） (2026-07-29T15:54:01Z)
• Scaling Transformer-Based Novel View Synthesis Models with Token Disentanglement and Synthetic Data [53.040873127309766]
  本稿では,トランスアーキテクチャ内でのトークンのアンタングル化プロセスを提案し,特徴分離を向上し,より効果的な学習を実現する。 提案手法は,データセット内およびデータセット間の評価において,既存のモデルよりも優れる。
  論文  参考訳（メタデータ） (2025-09-08T17:58:06Z)
• Understanding the Influence of Synthetic Data for Text Embedders [52.04771455432998]
  まず,Wangらによって提案された合成データの再生と公開を行った。 合成データがモデル一般化をどのように改善するかを批判的に検討する。 本研究は, 汎用インバータ構築における, 現在の合成データ手法の限界を浮き彫りにしたものである。
  論文  参考訳（メタデータ） (2025-09-07T19:28:52Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• SynFER: Towards Boosting Facial Expression Recognition with Synthetic Data [78.70620682374624]
  ハイレベルなテキスト記述に基づく表情画像データの合成のための新しいフレームワークであるSynFERを紹介する。 合成データの質と信頼性を確保するため,セマンティックガイダンス手法と擬似ラベル生成手法を提案する。 その結果, 提案手法の有効性と合成データの有効性が検証された。
  論文  参考訳（メタデータ） (2024-10-13T14:58:21Z)
• ParGANDA: Making Synthetic Pedestrians A Reality For Object Detection [2.7648976108201815]
  本稿では,GAN(Generative Adversarial Network)を用いて,実データと合成データのギャップを埋めることを提案する。 我々のアプローチは、視覚的に可視なサンプルを生成するだけでなく、実際のドメインのラベルも必要としない。
  論文  参考訳（メタデータ） (2023-07-21T05:26:32Z)
• A New Benchmark: On the Utility of Synthetic Data with Blender for Bare Supervised Learning and Downstream Domain Adaptation [42.2398858786125]
  コンピュータビジョンにおけるディープラーニングは、大規模ラベル付きトレーニングデータの価格で大きな成功を収めた。 制御不能なデータ収集プロセスは、望ましくない重複が存在する可能性のある非IIDトレーニングおよびテストデータを生成する。 これを回避するために、ドメインランダム化による3Dレンダリングによる合成データを生成する方法がある。
  論文  参考訳（メタデータ） (2023-03-16T09:03:52Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• A Scaling Law for Synthetic-to-Real Transfer: A Measure of Pre-Training [52.93808218720784]
  合成から現実への変換学習は,実タスクのための合成画像と接地真実アノテーションを用いた事前学習を行うフレームワークである。 合成画像はデータの不足を克服するが、事前訓練されたモデルで微調整性能がどのようにスケールするかは定かではない。 我々は、合成事前学習データの様々なタスク、モデル、複雑さにおける学習曲線を一貫して記述する、単純で一般的なスケーリング法則を観察する。
  論文  参考訳（メタデータ） (2021-08-25T02:29:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。