Trotz ihrer beeindruckenden Leistung bei Aufgaben der Bildklassifikation zeigen tiefe Netzwerke Schwierigkeiten bei der Generalisierung auf unerwartete Verunreinigungen ihrer Daten. Um diese Anfälligkeit zu beheben, haben frühere Arbeiten komplexe Datenverstärkungsstrategien entwickelt, die mehrere Methoden kombinieren, um die Trainingsdaten zu bereichern. Die Einführung komplexer Gestaltungsoptionen oder heuristischer Ansätze macht jedoch schwer verständlich, welche Elemente dieser Methoden tatsächlich entscheidend für die Verbesserung der Robustheit sind. In dieser Arbeit gehen wir einen Schritt zurück und verfolgen einen begründeten Ansatz, um Robustheit gegenüber gängigen Verunreinigungen zu erreichen. Wir stellen PRIME vor, eine allgemeine Datenverstärkungsmethode, die auf einfachen, jedoch reichhaltigen Familien von Max-Entropie-Bildtransformationen basiert. PRIME übertrifft die bisherigen Ansätze hinsichtlich der Robustheit gegenüber Verunreinigungen, wobei ihre Einfachheit und die plug-and-play-Eignung es ermöglichen, sie nahtlos mit anderen Methoden zu kombinieren, um deren Robustheit weiter zu steigern. Wir analysieren PRIME, um die Bedeutung der Mischstrategie bei der Synthese verunreinigter Bilder aufzuklären und die zwischen Robustheit und Genauigkeit bestehenden Kompromisse im Kontext gängiger Verunreinigungen zu identifizieren. Schließlich zeigen wir, dass die rechentechnische Effizienz unserer Methode eine einfache Anwendung sowohl in on-line- als auch in off-line-Datenverstärkungsschemata ermöglicht.