نُقدّم أربعة مجموعات بيانات جديدة تُمثّل تحوّلات حقيقية في التوزيع، تشمل تغيّرات في نمط الصورة، وضبابية الصورة، والمكان الجغرافي، وطريقة تشغيل الكاميرا، وغيرها. وباستخدام مجموعات البيانات الجديدة هذه، نقيّم الطرق المُقترحة سابقًا لتحسين المقاومة أمام التوزيعات الخارجة عن النطاق، ونختبرها فعليًا. ونجد أن استخدام نماذج أكبر وتقنيات تضخيم البيانات الاصطناعية يمكن أن يحسّن المقاومة أمام التحوّلات الحقيقية في التوزيع، وهو ما يتعارض مع الادعاءات السابقة. كما نلاحظ أن التحسينات في معايير المقاومة الاصطناعية يمكن أن تنتقل إلى التحوّلات الحقيقية في التوزيع، وهو ما يتعارض أيضًا مع ما وُضع سابقًا. مستندين إلى ملاحظتنا بأن تضخيم البيانات يمكن أن يكون مفيدًا أمام التحوّلات الحقيقية في التوزيع، نقدّم أيضًا طريقة جديدة لتضخيم البيانات، والتي تُقدّم تقدمًا في مستوى الحالة الحالية، وتتفوّق على النماذج التي تم تدريبها مسبقًا باستخدام بيانات مُعلّمة تُعادل 1000 مرة أكثر. بشكل عام، نجد أن بعض الطرق تُسهم بشكل ثابت في التغلب على التحوّلات في النسيج والإحصائيات المحلية للصورة، لكنها لا تُسهم في بعض التحوّلات الأخرى مثل التغيرات الجغرافية. وتُظهر نتائجنا أن البحث المستقبلي يجب أن يدرس عدة تحوّلات في التوزيع في آنٍ واحد، كما نُبيّن أن لا توجد طريقة مُختَرَعة تُحسّن المقاومة بشكل متسق عبر جميع التحوّلات.