AI 비전 모델의 실제 환경 배포는 학습 및 테스트에 사용 가능한 데이터에 의해 가속화되는 동시에 제한을 받기도 합니다. 실제 데이터셋은 희소하고 불균형합니다. 롱테일 (long-tailed) 또는 불균형한 분포는 일반화 (generalization)를 방해하며, 밀도가 낮은 영역의 샘플 수가 적어 평가를 수행하기 어렵게 만듭니다. 합성 데이터 (Synthetic data)는 이러한 격차를 메울 수 있으며, 입력 공간을 더욱 연속적으로 샘플링하고 벤치마크를 위한 데이터 커버리지를 개선할 수 있는 방법을 제공합니다. 어둠 속에서의 보행자 탐지라는 자율 주행의 안전 필수 (safety-critical) 사례에 집중하여, 우리는 합성 저조도 샘플이 장면 조도 (illumination)의 함수로서 최첨단 객체 탐지 (object detection) 모델의 성능을 더 잘 특성화하는 데 어떻게 사용될 수 있는지 보여줍니다. 우리는 카메라 센서의 노이즈 모델 (noise model)과 일치하는 저조도 샘플을 생성하기 위해 합성 RAW 이미지 증강 기술을 사용합니다. 실제 및 합성 저조도 데이터에 대한 성능 지표는 유사하며, 이는 AI 모델이 이 둘을 구별하는 데 어려움을 겪고 있음을 나타냅니다.