Inpainting

El inpainting es la técnica de edición que regenera una zona enmascarada de una imagen de forma coherente con el resto. Los modelos de difusión actuales lo hacen guiados por texto: el usuario marca un área, describe qué debe aparecer y el modelo sintetiza el contenido respetando iluminación, pose y perspectiva.

De la restauración fotográfica al relleno generativo

El término viene de la restauración de arte: rellenar las zonas dañadas de una obra imitando el original. La versión digital clásica —clonado de texturas y propagación de bordes— servía para quitar polvo y arañazos, pero fallaba con estructuras complejas. El salto llegó con los modelos generativos: primero las GAN condicionales y, desde 2022, los modelos de difusión, que tratan el relleno como un problema de síntesis completa y no de copia.

Los enfoques de referencia ilustran la evolución: RePaint (2022) adaptó los modelos de difusión ya entrenados al relleno de máscaras arbitrarias, y los modelos de difusión latente —la base de Stable Diffusion— incorporaron el inpainting guiado por texto como función nativa. Hoy la técnica está en cualquier editor mainstream: el relleno generativo de los suites comerciales de fotografía y los borradores de objetos de los teléfonos usan exactamente este mecanismo.

Usos legítimos y el caso undress

El inventario de usos legítimos es enorme: eliminar turistas de una foto de viaje, restaurar fotografías familiares dañadas, retirar objetos de anuncios inmobiliarios, extender fondos para cambiar el formato de un cartel, o corregir defectos de piel en retratos profesionales con consentimiento del retratado. En todos ellos el patrón es el mismo: máscara sobre la zona a sustituir, instrucción de qué generar y síntesis coherente con la escena.

Las apps de la categoría nudify aplican este mismo mecanismo con una máscara específica: la ropa. Un segmentador —la familia Segment Anything es el estándar— delimita la prenda automáticamente y el modelo rellena la zona con anatomía sintética. Técnicamente no hay diferencia con borrar un turista; la diferencia es ética y legal, y depende por completo del insumo: foto propia o de un adulto que consintió, o foto de un tercero sin permiso — el supuesto que tipifican la Ley Olimpia y las normas de NCII. Cómo se comporta cada servicio con ese límite es el eje de nuestra guía AI clothes remover.

Límites técnicos y cómo reconocer un relleno

El inpainting hereda los límites de su modelo generador. Las manos, los patrones repetitivos (rayas, encajes), los reflejos y las intersecciones entre la máscara y objetos delgados —collares, tirantes, cabello— producen los artefactos más frecuentes. La resolución efectiva de la zona regenerada suele ser menor que la del resto de la foto, y la iluminación sintetizada tiende a suavizar sombras duras. Con máscaras grandes el modelo «inventa» más y la coherencia anatómica y de perspectiva se degrada.

Esas huellas son también la base de la detección forense: discontinuidades de ruido entre la zona original y la regenerada, bordes de máscara visibles en el espectro de frecuencias y metadatos de edición. Los estándares de procedencia como C2PA registran además la operación de relleno en las credenciales del archivo cuando el editor los implementa; la documentación de Diffusers muestra el flujo técnico estándar. El panorama completo de señales y herramientas está en detección de deepfakes.

La dirección de la técnica es clara: máscaras automáticas más precisas, coherencia temporal para video y modelos que editan por instrucción sin máscara manual — cada avance reduce los artefactos visibles y desplaza la verificación hacia la procedencia firmada.