知识卡片：用合成数据扩展海洋感知

一句话结论

该工作扩展了基于 IsaacSim 的水下感知模拟器 OceanSim，加入合成数据生成（SDG）管线，用可配置、自动标注的照片级合成数据支持水下感知训练，并在真实海胆检测任务上研究不同合成场景变化对 sim-to-real 性能的影响；材料未给出定量性能结果。

事件概述或研究问题

水下环境中的可扩展机器学习受限于带标注真实训练数据不足：这类数据采集昂贵、费力，大规模获取与整理困难。作者提出用模拟数据缩小这一差距，并围绕以下问题展开工作：如何为水下感知任务生成大规模、自动标注的合成数据，以及不同形式的合成场景变化会如何影响从仿真到真实的迁移表现。

方法/产品要点

• 基于 OceanSim：OceanSim 是 IsaacSim-based underwater perception simulator。
• 扩展 Synthetic Data Generation (SDG) pipeline，面向水下场景模型训练。
• 管线允许用户生成大规模、自动标注、photorealistic 数据集。
• 可配置项包括 scene appearance、structure、sensor settings。
• 在 real-world sea urchin detection task 上评估该管线。
• 研究 different forms of synthetic scene variation 对 sim-to-real performance 的影响。
• 开源代码：https://github.com/umfieldrobotics/OceanSim

主要结果或产业意义

材料未提供检测精度、sim-to-real 提升幅度、数据集规模或基线对比等定量结果。可确认的是：作者在真实海胆检测任务上评估了该 SDG 管线，并基于实验讨论了结果发现、当前管线主要限制，以及未来改进方向。

产业意义在于，若该管线有效，可为水下机器人/海洋感知提供降低真实数据采集与标注成本的路径，尤其是自动标注、可配置场景与传感器设置可能支持更大规模训练数据生成；实际部署收益仍需定量结果确认。

为什么重要

• 水下感知长期面临真实标注数据稀缺问题，合成数据有潜力补充大规模训练数据。
• 该工作把仿真、自动标注、场景/传感器配置与 sim-to-real 评估放在同一管线中，强调从数据生成到真实任务迁移的完整链路。
• 开源代码可能有助于复现和后续扩展水下感知仿真数据生成方法。

与既有脉络的关系：已有相关卡片涉及合成数据/真实数据用于动态相机内参、以及合成预训练缓解户型图生成域偏移。本条延续“合成数据弥补真实标注不足”这一主题，但增量在于应用域转为水下/海洋感知，并聚焦 OceanSim/IsaacSim 的 SDG 管线与海胆检测 sim-to-real 评估。

局限与不确定性

• 材料只说明作者讨论了当前管线主要限制，并列出未来方向：提高 underwater rendering fidelity、scene diversity、以及 sim-to-real generalization 的评估。
• 具体检测效果、数据集规模、场景数量、训练配置、真实数据量、与其它方法的比较、sim-to-real gap 数值、计算成本等，均待核实。
• 同行评审状态、后续版本更新情况，材料未说明，待核实。
• 英文关键词是否为作者正式标注，材料未列出，待核实。

可用于图书/PPT/简报的角度

• 海洋机器人感知的数据瓶颈：真实标注稀缺、采集昂贵。
• 合成数据管线拆解：IsaacSim/OceanSim、SDG、自动标注、可配置场景外观/结构/传感器。
• Sim-to-real 迁移评估：合成场景变化如何影响真实任务表现。
• 开源仿真工具案例：用虚拟环境降低真实数据依赖。
• 与其它领域合成数据策略对照：相机内参估计、户型图生成、水下感知等不同任务的共性与差异。

原始材料

• 英文标题：Towards Scaling Marine Perception with Synthetic Data
• 英文关键词：原始材料未单独列出；标题/摘要中出现的英文术语包括 underwater perception、synthetic data、OceanSim、IsaacSim、Synthetic Data Generation (SDG)、sim-to-real、sea urchin detection。正式关键词待核实。
• 作者：Haoyu Ma, Onur Bagoren, Anja Sheppard, Elias Fandi, Ashrith Edukulla, Tanner Aslan, Natasha Sieh, Jingyu Song, Katherine A. Skinner
• 发布/更新：2026-09-17T16:51:02Z（据来源）
• arXiv ID：2609.20680v1
• 分类：cs.RO；cs.RO, cs.CV
• Abstract URL：https://arxiv.org/abs/2609.20680v1
• PDF URL：https://arxiv.org/pdf/2609.20680v1
• 开源代码：https://github.com/umfieldrobotics/OceanSim