أظهرت الدراسات أن الشبكات العصبية التلافيفية المستخدمة في التعرف على الكائنات عرضة للتغيرات في التصوير، نظرًا لأن عملية التعلم تعاني من تحيز تجاه الإحصائيات ذات المستوى المنخفض الخاصة بقطع النسيج. ركزت الدراسات الحديثة على تحسين المقاومة من خلال تطبيق تقنية نقل الأسلوب (style transfer) على أمثلة التدريب، بهدف التقليل من التأقلم الزائد مع نمط تصوير معين. وعلى الرغم من أن هذه الأساليب الجديدة تحسن الأداء، إلا أنها تتجاهل التغيرات الهندسية في شكل الكائن التي تظهر في الفن الحقيقي: حيث يقوم الفنانون بتشويه وانحناء الكائنات لتحقيق تأثيرات فنية. مستندين إلى هذه الملاحظة، نقترح طريقة لتقليل هذا التحيز من خلال زيادة التنوع في النسيج والهندسة في بيانات التدريب بشكل متزامن. وبشكل فعلي، نوسع فئة الكائن البصري لتشمل أمثلة تتضمن تغيرات في الشكل تستخدمها الفنانين. وبشكل محدد، نتعلم توزيع التشوهات (warp) التي تغطي كل فئة كائن معينة. وبالإضافة إلى تعزيز النسيج باستخدام توزيع واسع من الأساليب، نُظهر من خلال التجارب أن طريقةنا تُحسّن الأداء على عدة معايير عبر مجالات مختلفة.