一条样本生产线

先把“夜雨表现差”拆成条件

上一阶段留下的关键认识是：增强与合成都会改变训练材料，但改变必须贴近部署世界并保住标签。于是道路团队不能只写一句“补充夜雨数据”。夜晚可能意味着低照度、车灯眩光或传感器噪声；下雨可能意味着水滴遮挡、湿地反射或雨衣改变人体轮廓。不同因素需要不同的生成手段，也需要不同的验收方式。

团队先查看真实错误，而不是从工具菜单出发。他们把失败样本按距离、目标大小、遮挡、光源方向、路面材质和骑行者服装分层。若错误主要集中在远处的小目标，单纯生成近景高清骑行者没有帮助；若问题来自路面反光，只有把图像整体调暗也不会触及根因。

目标还要写成能被证伪的形式。例如：“在未用于生成与筛选的真实夜雨路测集中，提高远距离骑行者的召回，同时不明显增加行人误报。”这句话同时规定了场景、对象、测量方向和副作用。它避免团队用合成验证集证明合成训练集有效，也避免只汇报一个把不同群体平均掉的总分。

那份独立路测集必须在流程开始时就隔离。若团队反复查看其中的错误，再据此调整提示、筛选器和配比，它便逐渐参与了开发，不再是真正独立的最终检查。实践中可以保留开发用真实集与最终真实集，限制后者的访问次数，并把每次使用的目的和结果记录下来。

此时，数据工作从“制造图片”变成“设计证据”。缺口定义决定要控制哪些变量、保留哪些真实样本、请谁审查，以及最后必须在哪一组真实数据上接受失败。生成技术越强，这一步越重要，因为强大的工具也更容易用逼真的表面掩盖不相关的变化。

让不同生成手段各做擅长的事

最便宜的一层仍是基于真实图像的增强。团队可对曝光、对比度、局部模糊和传感器噪声做小幅随机变化。几何变换需要同步更新检测框和分割掩码。每一种变换都应对应一个部署中确实存在的变化来源，而不是因为库里有这个函数就打开它。

第二层是物理或程序模拟。模拟器能精确知道虚拟骑行者的位置、轮廓、深度和姿态，所以标签可以在渲染时一起产生。它适合系统性地扫描雨量、车灯角度和距离组合，也适合制造真实采集危险的临界事件。弱点是“模拟到现实”的差距：材质、镜头污染和人的行为若建模不足，标签虽精确，画面规律仍可能不对。

第三层是条件生成。团队给生成模型提供“夜雨、逆光、远处骑行者、深色雨衣”等控制条件，让它针对稀缺组合产生候选。文本条件方便，却容易含糊；参考图、姿态骨架、深度图或分割图能增加约束。条件越具体，生成结果越容易审查，但也越可能受上游标注与控制模型的偏差影响。

三层并不是竞争关系。真实增强保留摄像头的细节，模拟器提供可控变量与精确标签，生成模型补充纹理和场景多样性。道路团队可以先在模拟器中建立结构，再用生成模型改善外观，最后以真实图像的噪声模型贴近传感器。组合方法的代价是来源更复杂，因此每个步骤都必须留下版本与参数。

生成预算也应围绕信息缺口分配。若真实错误集中在远处小目标，团队可以提高这类条件的候选比例，而不是让生成器按默认偏好产出大量居中近景。对非常罕见却后果严重的条件，数量未必需要大，但标签和人工复核标准应更严格。生成的便利不能把所有场景压成同一种批量策略。

1. 描述缺口从真实错误中提取距离、光照、遮挡与群体条件。
2. 选择信息源决定哪些变化来自真实样本，哪些由规则、模拟或生成模型补充。
3. 生成候选保留控制条件、随机种子、模型版本、提示与上游素材。
4. 筛选与标注检查结构、标签、重复、群体覆盖和不应出现的内容。
5. 混合训练用多种配比训练，观察收益、退化与对真实样本的依赖。
6. 独立路测只用未参与前述步骤的真实数据作最终比较。

筛掉“漂亮但错误”的样本

候选生成后，生产线进入拒绝采样：先大量产生，再淘汰不满足条件的样本。第一道可以是确定规则，例如边框不能越界、车轮数量要合理、交通灯颜色与标签一致。第二道可以是已有检测器或质量模型，但机器筛选只能发现它知道的错误，不能充当唯一裁判。

如果生成器与筛选器来自相同模型家族，它们可能共享盲点。生成模型把雨伞柄画成车把，视觉语言模型也可能把它解释为车把；两个系统达成一致，并不代表现实正确。更稳妥的安排是组合结构规则、与生成器不同来源的模型、领域专家抽检，以及对高风险和低置信样本的集中复核。

抽检也不能只看随机样本。随机抽样会被大量容易样本淹没，罕见错误仍可能漏掉。团队应按生成条件分层抽检，特别查看小目标、边缘姿态、深色服装和复杂反光。还应寻找近乎重复的画面，因为生成器可能用微小纹理差异制造“看似多样”的重复样本。

人工审查需要看到生成条件与任务标签，而不只是图片。审查者若不知道样本声称的是“逆光中的远距离儿童车”，可能只判断画面自然，却漏掉主体距离与年龄条件根本没有满足。审查表应允许记录错误类型和不确定性，这些记录随后可用来修改规则，而不是只留下一个通过或拒绝的二元结果。

筛选阈值会改变数据的性格。只保留评分最高的画面，可能得到非常干净却狭窄的集合；保留更多困难样本，又可能引入错误标签。阈值不该由审美决定，而应通过下游任务比较。团队需要观察准确率之外的召回、误报、校准与群体差异，并记录被筛掉的样本类型。

混合比例本身也是一个实验

通过筛选的样本还不能直接全部倒进训练集。新数据会改变分布偏移的方向：若训练集中一半画面突然都是暴雨，模型可能过度适应这一条件；若某种生成器反复使用同样的反光纹理，模型可能把纹理当成雨夜捷径。比例越大，生成器的特征越可能盖过真实世界的细节。

道路团队可以设置真实数据基线，再比较少量、中等与较高合成比例。每组保持训练预算、模型结构和随机种子策略尽量一致。除了总体成绩，还要查看原本表现良好的白天场景是否退化，以及收益是否只存在于与生成器相似的测试集。若只在合成测试上提升，证据仍然很弱。

比较还要考虑计算量。如果加入合成数据后训练步数同时翻倍，收益可能来自更多计算，而不是数据本身。团队可以在相同训练步数下比较替换配比，也可以在相同数据轮次下报告额外成本。只有把预算说明白，其他人才能判断收益来自新增信息、训练时间还是两者共同作用。

另一种做法是把合成样本用于预训练，再以真实样本收尾微调；也可以在训练中降低合成样本权重，或只对真实错误集中的批次加入它们。没有一个比例适用于所有任务。关键是让配比成为可重复的实验变量，而不是由“生成很便宜”推动的默认选择。

所有候选、筛选与混合过程都需要数据血缘。每个样本至少应能追溯到真实来源或模拟资产、生成模型版本、控制条件、提示、随机种子、筛选结果和进入过哪些训练版本。它能支持删除有问题的上游素材，也能在模型异常时定位某一批合成数据，而不必推倒整个数据湖。

可复现并不要求永远保存每一个庞大中间文件。团队可以保存生成配方、软件与模型版本、随机种子、资产校验值和筛选日志，并对最终采用的数据做不可变快照。若第三方生成服务无法保证版本或重放能力，这一限制也应成为风险记录的一部分。

至此，团队拥有的不是一袋“人工图片”，而是一套能被质疑和重做的证据链。它仍然不能保证安全，却让失败变得可定位。接下来要面对更难的判断：即使真实路测总体上升，某些群体是否被平均数藏住，生成器是否记住了个人记录，以及下一版模型会不会继续吃进上一版的输出。