La segmentación precisa de grietas en materiales estructurales es crucial para evaluar la seguridad y durabilidad de la infraestructura. Aunque los modelos de segmentación convencionales basados en técnicas de aprendizaje profundo han demostrado capacidades impresionantes de detección en estas tareas, su rendimiento puede estar restringido por pequeñas cantidades de datos de entrenamiento. Se han propuesto técnicas de aumento de datos para mitigar el problema de disponibilidad de datos; sin embargo, estos sistemas a menudo tienen limitaciones en cuanto a diversidad de texturas, escalabilidad sobre múltiples estructuras físicas y la necesidad de anotación manual. En este documento, se propone un novedoso marco de aumento de datos impulsado por inteligencia artificial generativa (GAI) para superar estas limitaciones mediante la integración de una red generativa adversaria proyectada (ProjectedGAN) y una red generativa adversaria de transferencia de textura multi-grieta (MCT2GAN). Además, se propone una métrica novedosa para evaluar la calidad de los datos generados. El método propuesto se evalúa utilizando tres conjuntos de datos: la biblioteca de grietas en puentes (BCL), DeepCrack y Volker. A partir de los resultados de la simulación, se confirma que el rendimiento de la segmentación puede mejorar mediante el método propuesto en términos de intersección sobre unión (IoU) y puntuaciones de Dice en los tres conjuntos de datos.