一句话总结
提出一个可扩展的合成图像真实感评估框架，使用 VLM 陪审团和嵌入空间分布分析两种互补方法，系统比较了规则增强库与生成式 AI 模型在车载图像上模拟雾、雨、雪、夜四种环境条件的效果，发现生成式 AI 方法大幅优于规则方法，最佳生成方法的接受率是规则方法的约 3.6 倍。
背景与前置知识
▼模拟到现实的鸿沟 (Sim-to-Real Gap)
合成数据与真实数据之间存在分布差异，在合成数据上训练的系统在真实环境中可能表现不佳。这一直是计算机视觉和机器人领域的核心难题。
环境增强 (Environmental Augmentation)
将晴天车载图像转换为雾、雨、雪、夜间等恶劣天气条件的技术。这在自动驾驶安全评估中至关重要，因为真实环境中收集这些罕见条件的成本极高。
规则增强 vs. 生成式增强
规则增强：基于手工设计的图像处理操作，如添加高斯噪声模拟雨、降低亮度模拟夜晚。代表库有 imgaug 和 albumentations。优点是速度快、可控，但无法捕捉复杂的环境视觉效果。
生成式 AI 增强：使用大规模预训练的图像编辑模型，通过自然语言提示进行编辑。代表模型有 GPT-Image-1、Gemini、Qwen、Flux Kontext。
VLM 作为评测者
使用视觉语言模型来评估图像质量。研究发现多模态模型的评估结果与人类评分存在较高相关性（皮尔逊相关系数 0.72-0.94）。
马氏距离与嵌入空间分析
马氏距离衡量样本与分布之间的距离，考虑了协方差结构。相对马氏距离通过减去背景距离来消除共享特征干扰。嵌入空间分析使用 CLIP 和 DINOv3 将图像映射到高维语义空间进行比较。
核心思想详解
▼想象你在招聘面试官。你需要判断候选人的"真实感"——他们看起来像是真正合格的人选吗？你可以：
- 请一组专家面试官（VLM陪审团）：每个面试官独立给出通过/不通过的决定。
- 看他们的简历与典型的"优秀候选人"有多像（嵌入空间分析）：如果简历与真实优秀候选人的特征分布高度一致，那他就是可信的。
本文的核心思想就是将这两种策略结合起来。不是依赖单一评估方式，而是让 VLM 陪审团判断"看起来真不真"（感知真实感），同时让嵌入空间分析判断"统计上像不像"（分布相似性）。当两种方法都给出好评时，你对合成数据质量的信心就会倍增。
这就像判断一幅赝品画作：艺术专家（VLM）可以凭直觉发现笔触问题，而化学分析（嵌入分析）可以检测颜料的成分是否与时代吻合。两种方法独立运行，交叉验证。