SynPlay：大规模合成人类数据集，具备真实世界多样性用于航空视角感知

我们介绍SynPlay，这是一个大规模合成人类数据集，专为推动多视角人类定位而构建，主要聚焦航空视角感知。SynPlay不同于传统合成数据集，致力于解决一个关键但被忽视的挑战：在航空场景中定位人类（通常仅占图像中十几个像素）。在此情境下，面部特征或纹理等细粒度细节变得不重要，识别任务转向人类运动、行为及其相互作用。为满足这一需求，SynPlay实现了一种新型规则导引运动生成框架，将真实运动捕捉与运动演化图谱相结合。此设计使人类动作能够通过高层游戏规则而非预定义脚本动态演化，产生实际不可数数量的运动变体。与现有合成数据集（要么聚焦静态视觉特征，要么重复使用有限的mocap驱动动作）不同，SynPlay捕获了从静态到动态的广泛行为谱系，包括从无脚本游戏情境中自然涌现的复杂互动。SynPlay还引入了广泛的多摄像机 setup，覆盖随机高度的无人机（UAV）、监控摄像机（CCTV）以及自由巡游的地面运动机器人（UGV），实现了从近到远的真实视角覆盖。数据集中绝大部分实例来自航空视角，不同尺度下呈现，直接支持长距离人类分析模型的开发——这是现有数据集所不足之处。我们的数据包含超过73,000张图像和650万个人类实例，提供检测、分割和关键点等详细标注。大量实验表明，使用SynPlay训练可显著提升人类定位性能，尤其在少样本和数据稀缺场景中效果尤为突出。