深層学習による認知とか創作とかは相当出来るようになっているが

例えば画像出力に限れば遠近法や消失点を無視したものになっていたり
まだ不十分な所も多い
こういうのはサンプル数を増やせば自然に覚えるのか、
それともマルチモーダルが解決するのかどっちだろう