Img2img

Img2img (imagen a imagen) es el modo de los modelos de difusión que genera una imagen nueva partiendo de una existente: el sistema añade ruido controlado a la foto de entrada y la reconstruye guiado por el texto del usuario. Un parámetro de intensidad decide cuánto se conserva del original, de un retoque leve a una reinterpretación completa.

Cómo funciona: ruido parcial y reconstrucción

La formalización académica llegó con SDEdit (2021) (página del proyecto), popularizada después por la implementación abierta de Stable Diffusion: en lugar de iniciar la generación desde ruido puro, se toma la imagen de entrada, se «ensucia» con ruido hasta un punto intermedio del proceso de difusión y se deja que el modelo la reconstruya desde ahí siguiendo el prompt. El punto de partida lo fija el parámetro conocido como denoising strength: con valores bajos el resultado conserva composición, pose y colores del original; con valores altos solo sobrevive la estructura general y el resto se reinventa.

Ese equilibrio realismo-fidelidad es la esencia del método: el ruido borra los detalles pero preserva la estructura gruesa, y el modelo rellena lo borrado con su conocimiento aprendido. Los antecedentes con GAN —la traducción imagen a imagen de pix2pix (2016)— exigían entrenar un modelo por tarea; la difusión lo generalizó a cualquier transformación descriptible con texto.

Usos y diferencia con el inpainting

El img2img es el caballo de batalla de la edición generativa: convertir un boceto en ilustración acabada, cambiar el estilo de una foto, variar un diseño manteniendo la composición, subir la resolución añadiendo detalle plausible o producir variaciones de un mismo encuadre. Las interfaces de Stable Diffusion y los editores comerciales lo exponen como función básica junto al modo texto a imagen, y la documentación de Diffusers muestra lo accesible que es programáticamente.

La diferencia con el inpainting está en el alcance del cambio: img2img transforma la imagen completa con una intensidad global, mientras el inpainting regenera solo la región enmascarada y deja intacto el resto. Por eso las aplicaciones de desnudo sintético se apoyan sobre todo en inpainting con máscara de ropa —a menudo generada automáticamente con Segment Anything— y no en img2img puro, que alteraría también rostro y fondo delatando la manipulación.

También sostiene la restauración y el escalado modernos: partir de la foto degradada con intensidad baja permite reconstruir detalle plausible sin perder la identidad de la imagen, el mismo principio que usan los ampliadores de resolución generativos. La frontera entre restaurar y reinventar la fija, de nuevo, el parámetro de intensidad.

Riesgos específicos y señales forenses

Partir de una foto real convierte al img2img en la vía más directa de manipulación de personas identificables: a diferencia de la generación desde texto, aquí hay siempre una víctima potencial en la entrada. Con intensidades bajas, el resultado hereda la pose, la iluminación y el contexto de la foto original —lo que hace la falsificación más creíble— y el consentimiento del retratado se convierte en la línea legal decisiva, como desarrollamos en consentimiento digital.

Para el análisis forense, el img2img deja señales aprovechables: la reconstrucción parcial altera las estadísticas de ruido del sensor y las firmas de compresión de la foto original, incoherencias que los detectores buscan junto a los artefactos de textura típicos de la difusión. Y con intensidades altas ocurre lo contrario: el resultado pierde el anclaje fotográfico y los rasgos delatores son los de cualquier imagen sintética, tratados en detección de deepfakes.