小红书精读：A Real-Calibrated Synthetic-First Data Engine

📉用合成数据做增强，实测反转了？

各位算法同学们，先说结论：在低数据姿态估计里，把生成式合成图直接灌进训练集，效果不一定正向；但配一小批真实锚点一起训，性能确实能涨。这篇工作没有造新模型，而是把“生成+清洗+筛选”做成一条模块化数据流水线，给“什么时候该信合成数据”打了个样。

📄 A Real-Calibrated Synthetic-First Data Engine

🔧 核心创新是“真实校准的合成优先”数据管线，用少量真实样本当锚点，生成时用可控扩散模型，筛图时再用真实参考集的统计分布来定阈值，而不是简单算样本离真实分布的相似度。 🔧 第二点是两级筛选串联：先用视觉语言模型算语义margin，低于阈值的丢掉；再用YOLO这类结构检测器看边界框覆盖率和关键点置信度，结构不对的也丢。主打高召回，不是一刀切。 🔧 第三点是工程上做成CLI模块化pipeline，生成、筛选、选择、验证都能单独替换，还留了human-in-the-loop接口，但作者明确说这些可选模块没做实验验证，不吹。

📊 在280张真实测试集上，real-only训练mAP@0.5=0.746，mAP@0.5:0.95=0.389；加上479张未筛选合成图后，mAP@0.5涨到0.761，mAP@0.5:0.95涨到0.411。 📈 但纯合成训练就很拉跨：raw合成图只有0.449 mAP@0.5，经过curation的合成图反而降到0.430，差距明显。 ✅ 注意，混合条件用了1589张real+479张synthetic，和real-only不是同预算、同种子的严格对比；论文自己也承认curation在当前规模下没有任何可测量的增益。

总结：这篇的价值在于给了个可复现的负面结果和条件边界——想证明curation有效，必须匹配数量、多seed、还要控制更新步数。对做低数据CV的同学，建议盯住混合训练的方向性收益，别急着上复杂筛选，先跑通“真实锚点+生成池”这个基线再说。

原文：AlphaXiv