Images générées par ordinateur utilisées pour entraîner des algorithmes, imitant des scénarios du monde réel sans données réelles.Les images synthétiques sont des images générées par ordinateur qui imitent des scènes du monde réel, utilisées pour entraîner des algorithmes d'apprentissage automatique lorsque les données réelles sont rares, coûteuses ou sensibles à la vie privée. En physique et en ingénierie, elles permettent aux chercheurs de développer et de tester des modèles d'analyse d'images sans avoir besoin de milliers de photographies ou de mesures réelles. Les titres « Les jumeaux numériques apprennent au tomographe » et « Le réseau de neurones a distingué les vrais cristaux des fantasmes » illustrent comment les données synthétiques aident à former des systèmes pour interpréter des scans médicaux ou identifier des structures cristallines.
Le concept est apparu avec l'essor de l'infographie dans les années 1970 et 1980, mais son utilisation systématique pour l'entraînement des réseaux de neurones est devenue importante dans les années 2010 avec l'essor de l'apprentissage profond. Aucun inventeur unique n'est crédité ; il a évolué à partir du besoin de données étiquetées en vision par ordinateur.
Le processus consiste à créer une scène virtuelle avec une vérité terrain connue — les objets, l'éclairage et le bruit sont tous contrôlés par le programmeur. Un moteur de rendu produit des images qui simulent la réponse du capteur réel, y compris les imperfections telles que le flou, le bruit et la distorsion. L'algorithme est ensuite entraîné sur cet ensemble de données étiquetées, apprenant à mapper les images vers les sorties souhaitées. L'essentiel est que les données synthétiques soient suffisamment réalistes pour que le modèle se généralise aux entrées du monde réel, ce qui nécessite souvent un étalonnage minutieux par rapport aux mesures réelles.
Les images synthétiques sont utilisées pour entraîner les systèmes de perception des véhicules autonomes, les diagnostics d'imagerie médicale et les algorithmes d'inspection industrielle, réduisant ainsi le besoin d'étiquetage manuel coûteux.
Les données d'entraînement synthétiques peuvent être générées en variété infinie, permettant aux algorithmes de rencontrer des cas limites rares — comme un piéton en fauteuil roulant la nuit — qui seraient presque impossibles à capturer dans la vie réelle.













