据外媒报道，在产生逼真POV驾驶场景的新挑战中，俄亥俄州立大学（Ohio State University）电气与计算机工程系和重庆长安汽车有限公司的研究人员开发出一种混合方法，通过将基于CycleGAN（Generative Adversarial Networks，对抗网络）的系统的更逼真输出与更传统方式生成的元素混合，可提高驾驶仿真器的真实性。其中传统生成的元素需要更高级的细节和一致性，例如道路标记和从驾驶员的角度观察到的实际车辆。
该系统被称为混合生成神经图形（HGNG），将基于CGI的传统驾驶模拟器的高度有限的输出注入，而NVIDIA SPADE框架负责GAN管道的环境生成工作。
研究人员称，该系统的优势在于驾驶环境可能会变得更加多样化，从而创造出更加沉浸的体验。就目前而言，即使将CGI输出转换为照片级神经渲染输出也无法解决重复问题，因为进入神经管道的原始素材会受到模型环境的限制，以及重复纹理和网格趋势的限制。
研究论文中描述道：传统驾驶仿真器的保真度取决于其计算机图形管道的质量，而管道由3D模型、纹理和渲染引擎组成。高质量的3D模型和纹理需要精湛的技艺，而渲染引擎必须运行复杂的物理计算，以实现光照和阴影的真实表现。
研究人员对Conditional GAN（cGAN）和CYcleGAN（CyGAN）作为生成网络进行了实验，最终发现各有优缺点：cGAN需要成对的数据集，而CyGAN不需要。然而，CyGAN目前无法超越传统仿真器中的最新技术，需要等待领域适应和循环一致性的进一步改进。因此凭借其额外的配对数据要求，cGAN目前获得了最佳成果。
