Trivia Iceberg: IA generativas de imagen

Son modelos de inteligencia artificial diseñados para crear contenido visual original, como imágenes, a partir de datos de entrenamiento. Aprenden patrones y estructuras de grandes conjuntos de datos para generar nuevas creaciones.

Los modelos más conocidos incluyen Stable Diffusion, DALL-E (3), Midjourney e Imagen de Google. Cada uno tiene sus fortalezas y enfoques, desde la estética artística hasta el fotorrealismo.

La mayoría de estos modelos funcionan a través de 'prompts' o indicaciones textuales. El usuario describe la imagen deseada, y la IA interpreta el texto para generar la visualización correspondiente.

Las IA generativas de imagen se han popularizado enormemente en redes sociales para crear avatares, arte surrealista y contenido visual llamativo. Herramientas como Canva integran estas funciones.

Estas IA pueden imitar diversos estilos artísticos, desde impresionismo hasta arte pop o caricaturas. Shutterstock, por ejemplo, ofrece estilos predefinidos para facilitar la generación.

Aunque no son estrictamente generadores de imagen, los modelos de IA se utilizan para crear o manipular imágenes realistas de personas, lo que plantea preocupaciones éticas y de desinformación.

Los modelos de difusión y las Redes Generativas Antagónicas (GANs) son arquitecturas clave. Los modelos de difusión parten de ruido aleatorio para generar imágenes detalladas, mientras que las GANs utilizan dos redes compitiendo para mejorar la calidad.

Funciones como 'inpainting' (editar partes de una imagen manteniendo el contexto) y 'outpainting' (expandir una imagen más allá de sus bordos originales) ofrecen un control más granular sobre la generación.

Surgen debates sobre la originalidad, la propiedad intelectual de las obras generadas y el uso de datos de entrenamiento (posiblemente con derechos de autor). La UNESCO y la Comisión Europea abordan estas cuestiones.

Muchos generadores modernos utilizan arquitecturas de transformadores, similares a los LLMs, que permiten procesar y comprender secuencias complejas de texto para la generación de imágenes. Modelos como MMDiT (Multimodal Diffusion Transformer) son un ejemplo.

Técnicas como el 'fine-tuning' (reentrenamiento con datos específicos), LoRAs (Low-Rank Adaptation) y 'embeddings' permiten personalizar modelos preexistentes para generar imágenes con estilos, personajes o conceptos muy específicos.

Modelos emergentes como Imagen 4, Veo 3 y Flow de Google integran la generación de imágenes con vídeo, audio y texto, permitiendo interacciones multimodales más complejas y aplicaciones más versátiles.