盖世汽车讯 据外媒报道，当地时间5月17日，合成数据平台Parallel Domain宣布推出最新合成数据生成引擎——Reactor，整合了先进的生成式AI技术与专有3D仿真功能。该平台旨在为机器学习开发人员提供控制功能和可扩展性，帮助开发人员生成完全带注释的数据，增强AI性能，为实际应用程序创建更安全、更具灵活性的AI系统。

Parallel Domain生成式AI技术

据该公司介绍，Reactor通过生成高质量图像，提高了自动驾驶汽车和无人机等各行业内AI系统的性能。此外，该工具利用生成式AI技术的强大功能生成带注释的数据，而这对于机器学习（ML）任务而言是非常关键的要求。

通过生成边界框（用于目标探测）和全景分割式注释（提供全面/全景视图），Reactor确保AI模型可以有效利用视觉数据，以生成更精确、更可靠的结果。

Parallel Domain首席执行官兼创始人Kevin McNamara表示：“我们的专有生成式AI技术让用户能够采用直观自然语言提示创建和操作合成数据，同时还能生成训练和测试ML模型所需的相应标签。Reactor能够生成各种合成案例，让行人分割、碎片和婴儿推车探测等任务的性能得到极大的提升。其提升数据集多样性的能力，特别是稀有类别数据，有助于更好地训练模型。”

ML模型快速迭代与优化

该公司表示，其工具让用户能够创建广泛的合成数据，以训练和测试感知模型。通过整合Python和自然语言就可实现，根本无需耗时的自定义资源创建过程，简化了工作流程，提升了效率。因此，ML开发人员能够快速迭代并优化其模型，减少周转时间，加速AI研发进度。

利用生成式AI增强合成数据

据McNamara所说，虽然其他公司采用生成式AI来创建视觉上具有吸引力的数据，但是如果没有注释，此类数据就无法用于训练ML模型。Reactor通过生成具有全部注释的数据，克服了该限制，从而增强了ML过程，让开发人员创建更安全、更有效的AI系统。

McNamara表示：“我们利用生成式AI和3D仿真来创建大量详细、逼真的合成数据。生成式AI能够生成不同的场景与对象，而3D仿真增加了物理真实感，确保了在此类数据上训练的AI模型能够具有稳健性。在此之前，生成式模型一直很努力地理解自己生成的内容，因而在为边界框和全景分割等探测任务提供注释方面表现得非常糟糕，而此类注释对于训练和测试AI模型至关重要。”

McNamara表示，该工具提供了广泛的数据与场景定制选择。此外，其自适应背景创建功能可以轻松修改生成的场景，让ML模型能够普及到各种环境中。例如，用户能够将美国加州郊区的场景转换成日本东京繁华的市中心场景。

直观图像生成

McNamara表示，Reactor的自然语言提示引入了一种直观的方式来生成图像变化。用户可以使用简单的提示来修改现有的图像，如“让这张图像看起来有暴风雪”或“将雨滴放在镜头上”。该自定义流程得到了简化，无需等待自定义资源创建，提升效率与周转时间。

生成式架构让模型能够理解生成对象与底层场景的结构，便于在生成过程中从图层中提取像素和空间语义理解，实现全自动且准确的注释。

更多样化、真实的合成数据

使用Python，用户可以通过选择各种参数来灵活地配置合成数据集，如位置参数（旧金山，东京）、环境参数（城市、郊区、高速公路）、天气条件参数以及智能体分布情况参数（行人与车辆）。

一旦配置好了基础数据集，用户就能用Reactor来改进合成数据的多样性和真实性。通过使用自然语言提示，用户可以在场景中引入大量的对象和场景，比如“垃圾桶”、“洒在地上、装满太阳镜的纸板箱”、“橘子木箱”或“婴儿车”。

Reactor生成具有基本注释的合成数据，包括边界框与全景分割，显著加快了ML模型的训练与测试。

McNamara表示该工具“彻底改变”了传统自定义资源创建过程，该过程通常涉及耗时的设计过程、人工配置以及美工与开发人员的整合工作。

用于自动驾驶汽车的详细视觉信息

该公司表示，其注意到自动驾驶汽车和高级驾驶辅助系统（ADAS）的安全性得到了显著改善，而通过先进的扩散技术，该工具最近在现实世界中取得了显著的效果。

此外，该工具最近显著改善了备受推崇的Cityscapes Dataset（城市景观数据集）的语义分割结果，城市景观数据集是一个得到广泛认可的自动驾驶基准。

McNamara解释：“对于不太常见但至关重要的物体而言，现实世界的数据往往缺乏足够的训练样本。Reactor被用于生成合成数据，描绘了涉及婴儿车的各种场景，以弥合这一差距。通过将此类合成数据引入训练集，模型能够更好地学习和推广现实场景中对婴儿车的探测，从而提高自动驾驶系统的安全性。”

他还补充道，对于Cityscapes数据集而言，训练合成实例是由Reactor 生成并引入到该数据集的。

最近，几位Parallel Domain的客户已经开始将Reactor的功能整合至他们的AI开发工作流程中。虽然Reactor仍处于早期阶段，该公司对Reactor可提升AI模型的潜力感到很高兴。

McNamara表示：“客户与Parallel Domain的ML团队都训练了模型，此类模型的性能大大超过了之前的基准性能。这是因为Reactor的多样化案例极大地提升了数据集的多样性。多样化的数据训练出优秀的模型，我们正在重新定义合成数据生成的发展前景。”