合成工业目标检测：GenAI 与特征基方法比较
计算机视觉与模式识别
2025-12-01 v1
摘要
降低数据生成与标注的负担是实现机器学习在工业和机器人领域经济高效部署的关键挑战。虽然合成渲染是一条有前景的道路，但与现实环境的仿真-现实鸿沟往往需要专业人员介入。本文对一系列域随机化（DR）和域适应（DA）技术进行基准测试，包括特征基方法、生成式 AI（GenAI）和经典渲染方法，用于在无需手动标注的情况下创建上下文化的合成数据。我们的评估聚焦于低级和高级特征对齐的有效性与效率，以及由真实世界上下文生成的提示引导下的受控扩散-based DA 方法。我们在两个数据集上进行验证：一个专有的工业数据集（汽车和物流）和一个公开的机器人数据集。结果表明，如果可获得足够多样性的渲染数据作为种子，基于亮度和感知散列过滤的简单特征基方法在准确率和资源效率上均优于更复杂的 GenAI 方法。感知散列始终实现最佳性能，在工业数据集和机器人数据集上的 mAP50 分别达到 98% 和 67%。此外，GenAI 方法在数据生成方面造成显著时间开销，却未显示出与简单方法相比在仿真-现实 mAP 值上的显著提升。我们的发现为高效桥接仿真-现实鸿沟提供了可操作的见解，使模型仅依赖合成数据即可实现高实际性能。
引用
@article{arxiv.2511.23241,
title = {Synthetic Industrial Object Detection: GenAI vs. Feature-Based Methods},
author = {Jose Moises Araya-Martinez and Adrián Sanchis Reig and Gautham Mohan and Sarvenaz Sardari and Jens Lambrecht and Jörg Krüger},
journal= {arXiv preprint arXiv:2511.23241},
year = {2025}
}