Исследователи представили метод SmartSDG, направленный на устранение разрыва между синтетическими данными и реальными условиями в задачах компьютерного зрения. Использование сгенерированных изображений позволяет обходить проблему ручной разметки, однако качество моделей часто страдает из-за различий в освещении и сложности фона. Новый подход систематизирует влияние физически корректного непрямого освещения на точность распознавания объектов.
В основе работы лежит автоматизированный пайплайн, построенный на базе платформы NVIDIA Isaac. Система анализирует, как изменение параметров рендеринга и конфигураций света влияет на итоговую производительность нейросетей. Авторы доказывают, что точная настройка физических свойств виртуальной среды значительно повышает способность моделей адаптироваться к реальным сценариям без необходимости дообучения на огромных массивах размеченных данных из физического мира.
Результаты исследования подчеркивают важность контроля за параметрами генерации данных при создании датасетов для обучения ИИ. Такой подход позволяет создавать более устойчивые системы распознавания, которые эффективнее работают в условиях меняющегося освещения и сложной визуальной среды. Метод открывает возможности для более быстрого и дешевого обучения моделей для робототехники и автономных систем, где сбор и разметка реальных данных требуют значительных временных и финансовых затрат.