Una de las barreras clave para la adopción de redes neuronales es la falta de recursos computacionales y datos de entrenamiento de alta calidad, especialmente para objetos únicos sin conjuntos de datos existentes. Esta investigación explora métodos para generar imágenes sintéticas realistas que preserven las propiedades visuales de los objetos objetivo, asegurando su similitud con la apariencia del mundo real. Proponemos un enfoque flexible para la generación de datos sintéticos, centrándonos en la precisión y adaptabilidad mejoradas. A diferencia de muchos métodos existentes que dependen en gran medida de modelos generativos específicos y requieren un nuevo entrenamiento con cada nueva versión, nuestro método sigue siendo compatible con modelos de vanguardia sin una sobrecarga computacional elevada. Es especialmente adecuado para objetos definidos por el usuario, aprovechando una representación en 3D para preservar detalles finos y apoyar la integración en entornos diversos. El enfoque también aborda limitaciones de resolución al garantizar una colocación consistente de objetos dentro de escenas de alta calidad.