العامرة في مجال النموذج الفردي تهدف إلى تدريب نموذج قابل للتعميم باستخدام مجال مصدر واحد فقط للعمل بكفاءة على أي مجالات هدف غير مُشاهدة. تعزيز الصور المستند إلى التحويلات العشوائية (RandConv)، والذي يتكون من طبقة تحويل واحدة يتم تهيئتها عشوائيًا لكل دفعة صغيرة، يمكّن النموذج من تعلم تمثيلات بصرية قابلة للتعميم عن طريق تشويه النسيج المحلي رغم بنيته البسيطة والخفيفة الوزن. ومع ذلك، فإن RandConv يعاني من قيود هيكلية حيث يمكن أن تخسر الصورة المُنشئة معنىً بسهولة عند زيادة حجم النواة، كما أنه يفتقر إلى التنوع الذاتي لعملية التحويل الواحدة. لحل هذه المشكلة، نقترح طريقة التحويل العشوائي التدريجي (Pro-RandConv) التي تقوم بتجميع طبقات تحويل عشوائية بشكل متكرر باستخدام حجم نواة صغير بدلاً من زيادة حجم النواة. هذا الأسلوب التدريجي يمكنه ليس فقط تخفيف التشوهات الدلالية عبر تقليل تأثير البكسل بعيداً عن المركز في المجال الاستقبالي النظري، بل أيضاً إنشاء مجالات افتراضية أكثر فعالية عبر زيادة التنوع الأسلوبي تدريجيًا. بالإضافة إلى ذلك، نطور الطبقة الأساسية للتحويل العشوائي إلى كتلة تحويل عشوائي تتضمن اختلافات ملتوية وتحولًا محاذاة لدعم تنوع النسيج والتباين، وكلاهما يتم تهيئتهما أيضًا بشكل عشوائي. بدون استخدام مولدات معقدة أو التعلم المعادي، نثبت أن استراتيجيتنا البسيطة ولكن الفعالة لتعزيز الصور تتخطى الطرق الرائدة في مجال العامرة بنموذج فردي.