Key points are not available for this paper at this time.
ロボティクスビジョンにおいて、事実上のパラダイムはシミュレートされた環境で学習し、その後実世界のアプリケーションに移行することであり、これはシムからリアルへのドメインギャップを埋める上での重要な課題を提示します。主流の研究がRGB領域でこの問題に取り組む中、我々は深度データ合成に焦点を当て、範囲認識型RGB-Dデータシミュレーションパイプライン(RaSim)を開発しました。特に、高忠実度の深度データは実世界のセンサーのイメージング原則を模倣することによって生成されます。データの多様性を豊かにするために、範囲認識型レンダリング戦略がさらに導入されます。広範な実験により、RaSimでトレーニングされたモデルは、ファインチューニングなしに実世界のシナリオに直接適用でき、下流のRGB-D知覚タスクで優れた性能を発揮することが示されています。
Liu et al. (Fri,) はこの問題を研究しました。