Malgré leurs performances remarquables sur les tâches de classification d’images, les réseaux profonds peinent à généraliser face à des altérations imprévues de leurs données. Pour pallier cette vulnérabilité, les travaux antérieurs ont mis au point des stratégies complexes d’augmentation de données, combinant plusieurs méthodes afin de richement enrichir les jeux d’apprentissage. Toutefois, l’introduction de choix de conception sophistiqués ou de heuristiques rend difficile l’identification des éléments réellement cruciaux pour améliorer la robustesse. Dans ce travail, nous adoptons une approche fondée sur des principes rigoureux afin d’atteindre une robustesse aux altérations courantes. Nous proposons PRIME, une méthode générale d’augmentation de données reposant sur des familles simples mais riches de transformations d’images à entropie maximale. PRIME surpasse les méthodes antérieures en termes de robustesse aux altérations, tout en bénéficiant de sa simplicité et de sa nature plug-and-play, ce qui permet une intégration aisée avec d’autres approches pour encore renforcer leur robustesse. Nous analysons PRIME afin d’élucider l’importance de la stratégie de mélange dans la synthèse d’images altérées, et de mettre en lumière les compromis entre robustesse et précision dans le contexte des altérations courantes. Enfin, nous démontrons que l’efficacité computationnelle de notre méthode permet une utilisation aisée dans des schémas d’augmentation de données en ligne comme hors ligne.