PUG：用于表征学习的照片级真实感与语义可控合成数据

基于摘要分析。该研究面向视觉表征学习中真实图像难以精确控制、合成图像真实感不足的问题，提出基于 Unreal Engine 构建的 PUG（Photorealistic Unreal Graphics）交互环境与数据集，旨在兼顾照片级真实感和场景可控性，为视觉模型提供更严谨的评估条件。 核心机制是借助图形引擎生成图像并控制场景语义因素。摘要强调，这类合成数据可以按需生成样本、提供细粒度真值标签与描述，并精确控制训练集和测试集之间的分布偏移，从而隔离感兴趣的变量。其主要贡献是数据生成与评估环境，而非摘要中已明确提出的新网络结构或训练损失。 作者报告，论文展示了 PUG 支持更严谨视觉模型评估的潜力，但摘要未提供具体任务、模型、数据规模、划分、对照基线或量化结果。因此，目前不能判断其相对其他合成数据或真实图像数据的效果，也不能将可控性直接等同于现实场景中的泛化能力。实验协议、消融及统计信息尚未验证；复现所需核对的内容包括环境与数据的获取条件、场景参数控制范围、标签生成方式及训练—测试分布的构造方式。 该工作的主要研究对象是合成视觉数据与视觉表征评估，材料未提供 EEG 或 BCI 实验，也未建立直接的神经信号方法对应关系，不能据此推断其具有 EEG 或 BCI 有效性。