تخيّل طبّاخًا يتعلّم الطهي من صور مرسومة فقط — شبه مؤكد أنه سيفسد كل طبق. فخّ مشابه يتربّص بـ الرؤية الحاسوبية: تدريب النماذج يتطلب آلاف الصور الموسومة، لكن جمعها ووضع العلامات عليها يدويًا مكلف ومضجر. الصور الاصطناعية المولّدة بالخوارزميات تحل المشكلة، لكن بشرط أن تبدو حقيقية. هنا تظهر أداة GraNatPy التي تقيّم مصداقية الصور الاصطناعية. أحد مقاييسها، مثل متذوّق صعب الإرضاء، يفحص سلاسة انتقالات السطوع عند حدود الأجسام — هكذا تُكشف الآثار غير الطبيعية. مقياس آخر — الإنتروبيا، مقياس التنوع في مجموعة البيانات — يضمن ألا تكون الصور متشابهة، بل تُظهر ثراءً في الاختلافات. إذا كان التشابه مع الواقع متعثرًا، يقترح البرنامج ما يجب تحسينه: معايير الفوتومتري (خصائص الإضاءة) والتحليل الطيفي (التركيب الطيفي، أي اللون). وهنا تظهر مفاجأة: نموذج تدرّب فقط على هذه الصور الاصطناعية المحسّنة يميّز التفاصيل بدقة أعلى من نموذج تدرّب على صور حقيقية. وكيل SynthClaw يبحث تلقائيًا عن الوصفة المثلى للخداع البصري، دون كلل، مجرّبًا مئات الخيارات من معايير التوليد.