3D-Software sind heute in der Lage, extrem realistische Bilder zu erzeugen, die von echten Aufnahmen kaum zu unterscheiden sind. Dies wirft die Frage auf: Können reale Datensätze durch 3D-generierte Daten verbessert werden? Wir untersuchen diese Frage. In diesem Paper demonstrieren wir die Verwendung von 3D-generierten, prozeduralen Daten zur Korrektur von Verzerrungen in Bilddatensätzen. Eine Fehleranalyse von Tierbildern zeigt, dass die Fehlklassifizierung bestimmter Rassen weitgehend ein datenbasiertes Problem darstellt. Anschließend erstellen wir prozedurale Bilder für die schlecht klassifizierten Rassen und zeigen, dass Modelle, die zusätzlich auf diesen prozeduralen Daten trainiert wurden, die Klassifizierung dieser Rassen auf echten Daten erheblich verbessern können. Wir gehen davon aus, dass dieser Ansatz zur Verbesserung visueller Daten für beliebige unterrepräsentierte Gruppen genutzt werden kann – etwa seltene Krankheiten oder andere Formen von Datenschieflagen – und somit die Genauigkeit und Fairness von Modellen erhöhen kann. Wir finden, dass die resultierenden Darstellungen jenen, die direkt aus realen Daten gelernt wurden, ebenbürtig sind oder diese sogar übertrifft, vorausgesetzt, dass bei der Erzeugung der 3D-generierten prozeduralen Daten sorgfältig vorgegangen wird. 3D-Bilddatensätze können als komprimierte und strukturierte Kopie eines realen Datensatzes betrachtet werden, und wir stellen uns eine Zukunft vor, in der prozedurale Daten zunehmend verbreitet sind, während die traditionellen Datensätze immer unhandlicher, lückenhaft oder sogar privat werden. Dieses Paper schlägt mehrere Techniken zur Bewältigung des Lernens visueller Darstellungen in einer solchen Zukunft vor.