أصبحت برامج الرسوم ثلاثية الأبعاد قادرة الآن على إنتاج صور واقعية للغاية تبدو شبه غير قابلة للتمييز عن الصور الحقيقية. هذا يطرح سؤالاً مهماً: هل يمكن تعزيز المجموعات الحقيقية من البيانات باستخدام البيانات المُنتجة ثلاثيّة الأبعاد؟ نستكشف هذا السؤال في هذه الورقة. نُظهر في هذه الدراسة استخدام البيانات المُنتجة ثلاثيّة الأبعاد، وتحديدًا البيانات الإجرائية، لتعديل التحيّز في مجموعات الصور. نقوم بتحليل الأخطاء في صور الحيوانات، ونُظهر أن سبب الخطأ في تصنيف بعض سلالات الحيوانات يعود في جزء كبير إلى مشكلات في البيانات. ثم نُنشئ صورًا إجرائية للسلالات التي تم تصنيفها بشكل ضعيف، ونُدرّب النموذج مجددًا باستخدام هذه البيانات الإجرائية، مما يُظهر تحسنًا في قدرة النموذج على تصنيف هذه السلالات في البيانات الحقيقية. نعتقد أن هذا النهج يمكن تطبيقه لتحسين البيانات البصرية لأي مجموعة مُستبعدة، بما في ذلك الأمراض النادرة أو أي تحيّزات في البيانات، مما قد يُحسّن دقة ونُزاهة النماذج. ونجد أن التمثيلات الناتجة تُنافس أو حتى تتفوّق على تلك التي تُتعلم مباشرة من البيانات الحقيقية، لكن تحقيق أداء جيد يتطلب دقة في إنشاء البيانات الإجرائية ثلاثية الأبعاد. يمكن اعتبار مجموعة صور ثلاثية الأبعاد نسخة مُضغوطة ومنظمة من مجموعة بيانات حقيقية، ونُصوّر مستقبلاً حيث تنتشر البيانات الإجرائية بشكل متزايد بينما تصبح المجموعات الحقيقية أكثر تعقيدًا، أو مفقودة، أو سرية. تُقدّم هذه الورقة عدة تقنيات للتعامل مع تعلّم التمثيل البصري في هذا المستقبل.