Представьте повара, который учится готовить исключительно по рисованным картинкам — он почти наверняка испортит каждое блюдо. Схожая ловушка подстерегает и компьютерное зрение: для обучения моделей требуются тысячи размеченных снимков, но собирать и аннотировать их вручную — дорого и муторно. Синтетические кадры, сгенерированные алгоритмами, решают проблему, однако лишь при условии, что они выглядят как настоящие. Здесь на сцену выходит инструмент GraNatPy, который оценивает правдоподобность синтетики. Одна из его метрик, подобно придирчивому дегустатору, проверяет плавность яркостных переходов на границах объектов — так выявляются неестественные артефакты. Другая метрика — энтропия, мера разнообразия в наборе данных, — следит, чтобы изображения не были однообразными, а, напротив, демонстрировали богатство вариаций. Если сходство с реальностью хромает, программа подсказывает, что именно улучшить: параметры фотометрии (характеристики освещения) и спектроскопии (спектральный состав, то есть цвет). И здесь обнаруживается неожиданный поворот: модель, обученная только на таких улучшенных синтетических изображениях, распознаёт детали точнее, чем после тренировки на реальных снимках. Агент SynthClaw автоматически ищет идеальный рецепт визуального обмана, без устали перебирая сотни вариантов параметров генерации.