La medición de la longitud axial ocular (AL) es importante en oftalmología porque debe considerarse antes de operaciones, como la cirugía de estrabismo o la cirugía de cataratas, y se ha estudiado la automatización de la medición de AL con imágenes de fondo de ojo fácilmente obtenidas. Sin embargo, el rendimiento de los métodos de aprendizaje profundo depende inevitablemente de la distribución del conjunto de datos utilizado, y la falta de datos es un problema que debe abordarse. En este estudio, proponemos un marco para generar pares de imágenes de fondo de ojo y sus correspondientes AL para mejorar la inferencia de AL. El codificador del generador se entrenó de forma independiente utilizando aprendizaje métrico basado en la información de AL. Se incorporó un vector aleatorio y relleno de ceros en el generador para aumentar la flexibilidad de creación de datos, después de lo cual se insertó la información de AL como información condicional. Verificamos la efectividad de este marco evaluando el rendimiento de los modelos de inferencia de AL después de entrenarlos en un conjunto de datos combinado que comprende datos reales recopilados de manera privada y datos generados por el método propuesto. En comparación con el uso solo del conjunto de datos reales, el error absoluto promedio y la desviación estándar del método propuesto disminuyeron de 10,23 y 2,56 a 3,96 y 0,23, respectivamente, incluso con un menor número de capas en los modelos de predicción de AL.