A medida que la Fabricación Aditiva (AM) evoluciona de la creación de prototipos a la producción a gran escala, mejorar la precisión geométrica se vuelve cada vez más crítico, especialmente para aplicaciones que requieren alta fidelidad dimensional. Este estudio propone un enfoque basado en aprendizaje automático para mejorar la precisión geométrica de las piezas impresas en 3D producidas por Fabricación de Filamento Fundido (FFF), un proceso de extrusión de material ampliamente utilizado en el que el filamento termoplástico se calienta y se deposita capa por capa para formar una pieza. Nuestro método se basa en una Red Neuronal Convolucional (CNN) entrenada para predecir un campo de desviación sistemática basado en datos de escaneo 3D de una impresión sacrificial. Estos escaneos se adquieren utilizando un escáner 3D de luz estructurada, que proporciona información detallada de la superficie sobre las desviaciones geométricas que surgen durante el proceso de impresión. El campo de desviación predicho se invierte y se aplica al modelo digital para generar una geometría compensada, que, al imprimirse, compensa los errores observados en la pieza original. La validación experimental utilizando una geometría de referencia compleja muestra que el método de compensación propuesto logra una reducción del 88.5% en la desviación geométrica absoluta media en comparación con la impresión no compensada. Esta mejora significativa subraya la capacidad de la CNN para generalizar a través de características geométricas y capturar patrones de deformación sistemática inherentes a FFF. Los resultados demuestran el potencial de combinar el escaneo 3D y el aprendizaje profundo para habilitar estrategias de compensación adaptativas y basadas en datos en AM. El método propuesto en este documento contribuye a reducir las iteraciones de prueba y error, mejorar la calidad de las piezas y facilitar la adopción más amplia de FFF para aplicaciones industriales que exigen precisión.