待验证50% 置信权衡取舍精确时间
传统缓解sim-to-real鸿沟的方法包括域随机化和域适应，Splat2Act采用用真实场景照片级重建取代随机化的技术路线
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证业界通过域随机化、基于真实数据重建的神经渲染仿真场景（如NeRF/Gaussian Splatting）以及对抗性场景生成等手段来缩小sim-to-real gap72% 相似待验证Sim-to-Real迁移技术和数字孪生方法正在帮助缩小仿真与真实之间的差距70% 相似待验证Splat2Act仿真成功率与真机成功率相差不足3个百分点，主要原因是3DGS重建获得与真实场景几乎同分布的视觉输入，从根本上压缩了视觉域差距65% 相似待验证主流扩散模型通常在较低的潜空间分辨率下生成图像，再通过上采样还原到目标尺寸64% 相似待验证域适应（Domain Adaptation）试图通过对抗训练或风格迁移等手段让合成图像在视觉上更接近真实图像64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1002350API
curl https://kongchang.com/api/v1/knowledge/claims/1002350MCP
get_claim(id=1002350)