SynthRender 与 IRIS：用于工业对象感知中双向 sim-实传输的开源框架与数据集
计算机视觉与模式识别
2026-05-18 v2
摘要
对象感知是机器人材料处理和质量检查等任务的基础，但现代监督式深度学习模型需要大量标注数据才能在半控制条件下实现稳健的自动化；这一障碍限制了其在具有专有工业部件的广泛部署。我们通过集成合成数据生成与结构化经验评估，构建了一个用于系统性调查双向 sim-to-real 传输的集成框架。该方法将2D到3D的Reality-to-Simulation技术集成用于从物理部件创建3D资产，同时通过SynthRender实现程序化引导域随机化（Guided Domain Randomization）。结构化消融研究跨越多个基准，量化了各渲染设计选择的影响，为数据高效合成训练提供了实用指南。为支持现实工业条件下的评估，我们引入Industrial Real-Sim Imagery Set（IRIS），一个包含32类目标的 数据集，具有多样化纹理、类内变异、强类间相似性，提供19,672个标注，包含CAD模型和重建网格，用于双向 sim-to-real 基准测试。在三个工业基准测试中，所提框架实现了高度具竞争力的性能，在公开机器人数据集上达到99.1% mAP@50，在汽车基准测试中达到98.3% mAP@50，在IRIS上达到95.3% mAP@50。
关键词
引用
@article{arxiv.2602.21141,
title = {SynthRender and IRIS: Open-Source Framework and Dataset for Bidirectional Sim-Real Transfer in Industrial Object Perception},
author = {Jose Moises Araya-Martinez and Thushar Tom and Adrián Sanchis Reig and Pablo Rey Valiente and Jens Lambrecht and Jörg Krüger},
journal= {arXiv preprint arXiv:2602.21141},
year = {2026}
}