案例09｜CARLA 與 StyleGAN：Synthetic Data 如何支援訓練與隱私

一、案例定位

本案例依原書 3.3.1 與 3.4.6 的 Synthetic Data 例整理。

比較 Autonomous Driving Simulation 與 Synthetic Face Generation 兩種資料增強用途。

二、學習目標

理解 Synthetic Data 在 Simulation／Data Augmentation 的價值。
區分真實資料不足與 Privacy Concern。
避免把 Synthetic Data 視為無風險替代品。

三、案例情境

原書以 CARLA 為例，用 Generative／Simulation Engine 產生 Synthetic Road Scenario；另指出 StyleGAN 可用 FFHQ 產生 Synthetic Human Face，並在後文提到已被用來產生 Millions of Photorealistic Face Images，支援 Facial Recognition Training，尤其適用於 Privacy 或 Data Scarcity 情境。

四、開始資料

例子	原書用途	主要價值／限制
CARLA	Synthetic Road Scenarios	訓練 Autonomous System／Simulation
StyleGAN＋FFHQ	Synthetic Human Faces	Data Augmentation／Face Synthesis
StyleGAN Real-world Use	Millions of Photorealistic Face Images	Privacy／Data Scarcity 情境下支援 Facial Recognition Training
共同限制	Synthetic ≠ Automatically Representative	仍需檢查 Bias／Distribution Shift

五、Excel／AI 分析方法

Excel 可比較 Real／Synthetic Dataset 的 Size、Distribution、Coverage、Model Outcome；AI 可做 Coverage Analysis，但不能在沒有原始數據時宣稱 Synthetic Data 必然提升 Accuracy。

六、計算結果

原書只說 StyleGAN 產生「millions」的照片，沒有給確切張數；CARLA 例也沒有 Simulation Count。

七、結果分析與管理解讀

Synthetic Data 可以緩解資料稀缺與部分隱私問題，但模型仍會受生成資料分布與 Bias 影響。

八、AI 提問詞

請比較 Real Data 與 Synthetic Data 的 Coverage、Bias、Privacy、Model Performance。若原書只寫 millions，不要改寫成精確數量。