Der rasante exponentielle Anstieg der Daten führte zu einer abrupten Vermischung verschiedener Datentypen, was zu einem Mangel an nutzbarer Information resultierte. In diesem Paper werden Ansätze vorgestellt, neue Daten aus den vorhandenen unterschiedlichen Datentypen zu generieren. Unter Datenverstärkung (Augmentation) versteht man das Hinzufügen oder Modifizieren eines Datensatzes durch zusätzliche Daten. Es existieren zahlreiche Arten der Datenverstärkung, die für unterschiedliche Datensatztypen angewendet werden. Die Datenverstärkung wird bereits weitreichend in mehreren Vorverarbeitungsschritten verschiedener maschineller Lernpipelines eingesetzt. Dazu wurden zahlreiche Bibliotheken oder Pakete entwickelt, die als Augmentationsbibliotheken bezeichnet werden. Jede dieser Bibliotheken bietet eine Reihe herausragender Funktionen. In diesem Paper wird der Fokus darauf liegen, die bestehende Bibliothek zu verbessern, sodass die AugStatic-Bibliothek noch leichtgewichtiger und effizienter wird. AugStatic ist eine maßgeschneiderte Bibliothek für die Bildverstärkung, die im Vergleich zu anderen Bildverstärkungsbibliotheken niedrigere Rechenkosten aufweist und darüber hinaus besonders ausgeprägte Funktionen bietet. Dieser Framework kann zudem auch für NumPy-Arrays und Tensoren genutzt werden.