Imágenes generadas por computadora utilizadas para entrenar algoritmos, imitando escenarios del mundo real sin datos reales.Las imágenes sintéticas son imágenes generadas por computadora que imitan escenas del mundo real, utilizadas para entrenar algoritmos de aprendizaje automático cuando los datos reales son escasos, costosos o sensibles a la privacidad. En física e ingeniería, permiten a los investigadores desarrollar y probar modelos de análisis de imágenes sin necesidad de miles de fotografías o mediciones reales. Los títulos 'Los gemelos digitales enseñan al tomógrafo' y 'La red neuronal distinguió cristales reales de fantasías' ilustran cómo los datos sintéticos ayudan a entrenar sistemas para interpretar exploraciones médicas o identificar estructuras cristalinas.
El concepto surgió con el auge de los gráficos por computadora en las décadas de 1970 y 1980, pero su uso sistemático para entrenar redes neuronales se volvió prominente en la década de 2010 con el auge del aprendizaje profundo. No se atribuye a un solo inventor; evolucionó a partir de la necesidad de datos etiquetados en visión por computadora.
El proceso implica crear una escena virtual con una verdad fundamental conocida: los objetos, la iluminación y el ruido son controlados por el programador. Un motor de renderizado produce imágenes que simulan la respuesta del sensor real, incluyendo imperfecciones como desenfoque, ruido y distorsión. Luego, el algoritmo se entrena con este conjunto de datos etiquetados, aprendiendo a mapear imágenes a las salidas deseadas. La clave es que los datos sintéticos deben ser lo suficientemente realistas para que el modelo generalice a entradas del mundo real, lo que a menudo requiere una calibración cuidadosa contra mediciones reales.
Las imágenes sintéticas se utilizan para entrenar sistemas de percepción de vehículos autónomos, diagnósticos de imágenes médicas y algoritmos de inspección industrial, reduciendo la necesidad de un etiquetado manual costoso.
Los datos de entrenamiento sintéticos se pueden generar en una variedad infinita, lo que permite que los algoritmos encuentren casos límite raros, como un peatón en silla de ruedas de noche, que serían casi imposibles de capturar en la vida real.













