做视觉检测的人常遇到一种不对称：正常样本容易积累，少见缺陷却总在产线换型、光照变化或材料批次波动时冒出来。想收集足够样本，时间与成本都不轻；不收集，模型又容易在关键时刻失手。合成数据正是在这种缝隙里被反复提起。
它不是“假数据”的简单替代
它的核心不是凭空造出一堆看似真实的图片，而是围绕任务约束生成可控样本。比如调整光照、角度、遮挡、背景纹理，把真实场景中难以稳定复现的变化拆开来看。它更像一种实验台：让模型在受控条件下暴露于更多变化，而不是只在有限采集结果上打转。
但“可控”也意味着生成过程带着人的假设。哪些变化该被模拟，哪些细节必须保留，需要先于算法选择想清楚。若生成器只学会了表面纹理，模型可能把合成痕迹当成判别依据。上线后遇到真实画面，性能就会露出裂缝。
价值在补缺口，不在替代全部
合成数据较务实的位置，是补齐真实数据难以覆盖的角落：稀少类别、边界条件、隐私不便采集的场景，以及需要反复试错的训练阶段。它也能帮助团队更早搭建评测集，在真实数据尚未到位时先验证流程是否跑通。可这不等于真实数据可以退场。真实样本仍是校准生成偏差、确认任务定义的参照物。
实际操作中，混合使用是常见做法：少量真实样本定方向，合成样本扩变化，再用另一批真实样本做检验。关键不是比例多少，而是能否说清每一类样本补了什么缺口。若只是为了把数量做大，这类样本很快会变成新的噪声来源。
边界需要先写清楚
采用合成数据前，团队需要回答几个不轻松的问题：生成分布与真实分布偏离时，谁能发现？合成样本带来的偏差，会不会被模型悄悄放大？评测集若也来自同一生成流程，结论是否还可信？这些问题没有一次性答案，只能靠持续抽样、对照和误差分析来管理。
评测集需要保留一部分不参与生成调参的真实样本。这不是形式上的隔离，而是给结论留一个可回退的参照。否则，模型在合成分布上表现稳定，也可能只是适应了生成器的习惯。
它不是让数据问题消失的捷径，它把问题从“采集够不够”部分转移到“假设准不准、验证严不严”。用得好，它能让稀缺场景变得可训练、可讨论；用得随意，它也会制造一种整洁的错觉。对多数团队来说，先明确它要补哪道缺口，再决定生成什么，可能先于追逐复杂生成模型。