做视觉标注的人大概都有这种体会：常见场景的图片成百上千，真正难的是少见角度、遮挡叠加、光线极端的样本。收集它们要靠运气，标注又费时间。于是，一个办法被反复提起——既然真实样本难凑，能不能先“造”一批？
这里说的合成数据，通常指由程序、仿真环境或生成模型产出的样本。它并不是新概念，变化在于生成模型让“造样本”的门槛降低了：给定少量参考，就能扩增出风格、姿态或背景不同的版本。对训练来说，这像是在真实数据的缝隙里补上一层填充物。
它补的是稀缺，不是全貌
合成数据适合处理“真实世界有，但很难批量采集”的情形，比如罕见组合、极端光照、遮挡关系，或在仿真环境中可控的参数变化。它的长处是可控、可重复、能带着标签一起生成，省去一部分人工标注。但它不擅长替代真实世界的复杂性。真实数据里那些未被写进规则的噪声、偶然性和物理细节，往往是模型理解世界的底子。把合成样本当成主粮，容易让模型在仿真里表现顺滑，到了真实场景却显得迟钝。
更微妙的是分布问题。生成模型只能围绕它见过的数据做延展，扩增出的样本会带着原有数据的偏好。如果原始数据覆盖不全，合成之后未必更全，反而可能把偏差放大。只看合成集上的指标，容易产生“已经够用”的错觉。
自循环的风险
当模型开始用自己生成的数据继续训练，问题会变得更隐蔽。每一轮生成都像一次转述，细节被平滑，边缘被抹掉，最后留下的是模型自己的偏好，而不是世界的纹理。这种现象常被称作模型自循环或回声室效应。合成数据在这里不是不能用，而是要限制比例、保留真实样本的锚点，并定期用独立数据做校验。否则，训练损失可能好看，泛化能力却在退化。
另一个容易被忽略的点是可验证性。合成样本的标签来自生成规则，规则写错了，标签就会错得很整齐。真实数据标注会有分歧，但分歧至少暴露了模糊地带；这类样本若缺少人工抽检，错误会被包装成“标准答案”。
怎么判断它有没有帮上忙
比较稳妥的做法，是把合成数据放进受控实验里，而不是一上来就大规模混入。可以关注几件事：
- 在真实留出集上，稀缺场景的表现是否稳定，而不是只在合成验证集上好看；
- 合成比例变化时，性能曲线是平滑变化后回落，还是出现突然塌陷；
- 错误类型有没有变化，是漏检减少，还是出现规则化的误判；
- 人工抽检时，标签与视觉内容是否真正对应，而不只是生成器“认为”对应。
这些检查不复杂，但需要耐心。这类样本带来的收益往往不是立竿见影的，它更像是在数据缺口上做修补，修补得好不好，要看真实场景里的表现。
回到开头的问题：真实数据不够用时，合成数据能不能撑起训练？我的判断是，它能撑住一部分，尤其是稀缺场景和可控仿真，但很难单独撑起全部。把它当作补充，而不是替代；放进验证流程，而不是直接倒进训练集。我更在意的是这些样本有没有让模型更接近真实世界的复杂性，而不只是生成了多少条。