Glosario de generación de imágenes

Los términos que aparecen una y otra vez en el Curso de generación de imágenes y en cualquier conversación sobre cómo una máquina ve, entiende y crea imágenes. Como todo glosario de la academia, crece con cada bloque nuevo del curso.

Imágenes y convolución

Píxel — la unidad mínima de una imagen: un puntito con un valor de color. Una foto es solo una grilla de píxeles, y para el computador cada píxel es un número (o tres, en color).

Canal RGB — las tres capas de color con que se guarda una imagen: rojo, verde y azul (Red, Green, Blue). Cada canal es una grilla de intensidades; superpuestas dan el color final.

Tensor — la forma en que un modelo guarda una imagen: una grilla de números con varias dimensiones (alto × ancho × canales). Es el “idioma” con que la red neuronal lee y transforma píxeles.

Red totalmente conectada (fully-connected) — la red neuronal clásica donde cada neurona se conecta con todas las de la capa siguiente. Funciona con datos chicos, pero para imágenes explota en cantidad de parámetros y no aprovecha que los píxeles vecinos se relacionan.

Convolución — la operación central para imágenes: deslizar un filtro pequeño por toda la imagen y calcular, en cada posición, cuánto se parece esa zona al patrón que el filtro busca. Detecta bordes, texturas y formas sin mirar la imagen entera de una.

Kernel / filtro — la ventanita de números (típicamente 3×3) que se desliza en la convolución. Cada kernel aprende a reconocer un patrón: un borde vertical, una mancha de color, una esquina.

Feature map — el resultado de pasar un kernel por la imagen: un mapa que marca dónde apareció el patrón que ese filtro busca. Una capa produce muchos feature maps, uno por filtro.

Campo receptivo — la porción de la imagen original que influye en un punto del feature map. Empieza chico (unos pocos píxeles) y crece capa a capa, hasta que las neuronas profundas “ven” objetos completos.

Weight sharing (compartir pesos) — el truco clave de la convolución: el mismo kernel se reutiliza en toda la imagen. Así el modelo aprende poquísimos parámetros y detecta un patrón sin importar dónde aparezca.

Stride — de a cuántos píxeles avanza el kernel en cada paso. Stride 1 lo recorre todo; stride 2 salta de a dos y achica el feature map a la mitad.

Padding — agregar un borde de ceros alrededor de la imagen antes de convolucionar, para que el filtro alcance bien las orillas y el tamaño de salida no se encoja sin querer.

Pooling (max / average) — achicar un feature map resumiendo cada zona en un solo valor: el máximo (max pooling, se queda con el rasgo más fuerte) o el promedio (average pooling). Reduce tamaño y da algo de tolerancia a que el objeto se mueva.

La arquitectura CNN

CNN (Convolutional Neural Network) — la red neuronal hecha para imágenes: apila convoluciones y pooling para ir de píxeles crudos a conceptos. La base de casi toda la visión por computador previa a los transformers.

Jerarquía de features — cómo aprende una CNN: las primeras capas detectan bordes y colores; las del medio, texturas y partes (un ojo, una rueda); las profundas, objetos completos. De lo simple a lo abstracto.

Flatten — aplanar los feature maps 2D a un vector 1D para conectarlos a una capa totalmente conectada al final de la red, donde se toma la decisión (por ejemplo, “esto es un gato”).

LeNet / AlexNet / VGG — las CNN históricas. LeNet (1998) leía dígitos; AlexNet (2012) ganó ImageNet y encendió el boom del deep learning; VGG (2014) mostró que apilar muchas convoluciones 3×3 funcionaba muy bien.

ResNet — la arquitectura que permitió redes de cientos de capas sin que dejaran de aprender, gracias a las conexiones residuales. Sigue siendo un backbone estándar hoy.

Residual connection (conexión residual) — el atajo que suma la entrada de un bloque a su salida, dejando que la red aprenda solo el “ajuste” en vez de todo de nuevo. Resuelve el problema de que las redes muy profundas se vuelvan imposibles de entrenar.

Backbone — la parte de la red que extrae features (típicamente una CNN o un ViT preentrenado), reutilizable como base para muchas tareas distintas.

Entrenamiento

Transfer learning — partir de un modelo ya entrenado en millones de imágenes y solo afinarlo para tu tarea. Ahorra datos y cómputo enormes: casi nadie entrena una CNN desde cero.

Data augmentation — inventar variantes de tus imágenes de entrenamiento (girarlas, recortarlas, cambiarles el brillo) para que el modelo vea más ejemplos y generalice mejor.

Overfitting — cuando el modelo se memoriza los datos de entrenamiento en vez de aprender a generalizar: brilla en el examen que ya vio y falla con imágenes nuevas.

Backpropagation — el algoritmo que entrena la red: mide el error y lo propaga hacia atrás capa por capa para ajustar cada peso en la dirección que reduce la equivocación.

Cross-entropy — la función de pérdida típica de clasificación: castiga fuerte al modelo cuando está seguro y equivocado. Es la “nota” que backpropagation intenta mejorar.

Softmax — la última capa de un clasificador: convierte los números de salida en probabilidades que suman 1 (“87% gato, 9% perro, 4% zorro”). La clase con mayor probabilidad es la predicción.

ImageNet — el dataset de referencia de la visión por computador: millones de imágenes etiquetadas en 1.000 categorías. Ganar su competencia en 2012 (AlexNet) encendió el deep learning, y los modelos preentrenados en él son el punto de partida del transfer learning.

Modelos generativos

Autoencoder — red que aprende a comprimir una imagen a una representación chica y luego reconstruirla. Al forzar ese cuello de botella, se ve obligada a capturar lo esencial de la imagen.

Espacio latente — el espacio comprimido y abstracto donde el modelo representa las imágenes como vectores de pocos números. Puntos cercanos ahí corresponden a imágenes parecidas; es donde ocurre la “magia” generativa.

Cuello de botella (bottleneck) — la capa más chica de un autoencoder, donde la información queda comprimida al máximo. Obliga a la red a quedarse solo con lo importante.

VAE (Variational Autoencoder) — un autoencoder que organiza su espacio latente de forma suave y continua, de modo que puedes muestrear puntos nuevos y generar imágenes inéditas. Además, es el compresor que usa Stable Diffusion.

Reconstrucción — la salida de un autoencoder: la imagen que reconstruye a partir de su versión comprimida. Comparar original vs reconstrucción es cómo se entrena.

Divergencia KL — la medida de cuánto se aleja una distribución de probabilidad de otra. En el VAE es la segunda pérdida: empuja las zonas del latente hacia una gaussiana centrada en cero, y así el espacio queda continuo y se puede muestrear.

Pixel-space — la imagen representada como todos sus valores de color crudos (512×512×3 son casi 800 mil números). Generar ahí es carísimo; por eso la difusión moderna trabaja en el espacio latente.

GAN (Generative Adversarial Network) — dos redes que compiten: una genera imágenes falsas y otra intenta detectarlas. De esa pelea salen imágenes cada vez más realistas.

Generador — en una GAN, la red que crea imágenes desde ruido, tratando de engañar al discriminador.

Discriminador — en una GAN, la red que juzga si una imagen es real o generada. Su crítica es lo que empuja al generador a mejorar.

Entrenamiento adversarial — la dinámica de la GAN: generador y discriminador mejoran a costa del otro, como un falsificador y un detective que se perfeccionan mutuamente.

Mode collapse — la falla clásica de las GAN: el generador descubre un puñado de imágenes que engañan al discriminador y produce siempre casi lo mismo, perdiendo variedad.

DCGAN — la GAN que estabilizó el entrenamiento usando convoluciones, volviéndola práctica para generar imágenes. Un hito temprano del área.

StyleGAN — la familia de GAN que logró caras humanas fotorrealistas y control fino del estilo (pelo, edad, expresión). El estado del arte generativo antes de la difusión.

Difusión y Stable Diffusion

Difusión — el paradigma detrás de los generadores actuales: enseñarle al modelo a quitar ruido paso a paso, hasta convertir estática pura en una imagen coherente.

Proceso forward (ruido) — la fase de entrenamiento donde se le agrega ruido a una imagen real, poquito a poco, hasta dejarla en pura estática. Sirve para generar los ejemplos con que el modelo aprende.

Proceso reverse (denoising) — la fase generativa: partir de ruido puro y quitarlo paso a paso hasta que emerja una imagen. Es lo que hace el modelo cuando le pides algo.

Denoising — la tarea que el modelo aprende a hacer: estimar y restar el ruido de una imagen ruidosa. Repetida muchas veces, transforma estática en una foto.

Sampling — el proceso completo de generar una imagen ejecutando varios pasos de denoising. Menos pasos = más rápido; más pasos = suele dar más calidad.

DDPM (Denoising Diffusion Probabilistic Models) — el modelo de difusión clásico (2020): 1.000 pasos de ruido en el forward y una red que aprende a predecir el ruido inyectado. La receta de la que descienden los generadores actuales.

Steps (num_inference_steps) — cuántos pasos de denoising ejecuta el sampling al generar. Entre 20 y 50 suele bastar; más allá casi no mejora y solo gasta tiempo de GPU.

Seed (semilla) — el número que fija el ruido inicial del sampling. Mismo seed y mismo prompt dan la misma imagen: es el control de reproducibilidad para iterar sobre un resultado que te gustó.

Scheduler — el algoritmo (no una red) que decide cuánto ruido quitar en cada paso del sampling y cómo espaciar los pasos. Cambiarlo altera velocidad y textura sin reentrenar nada.

U-Net — la red con forma de U (baja de resolución y vuelve a subir) que en difusión predice el ruido a quitar en cada paso. El motor que trabaja dentro de Stable Diffusion.

Skip connection — en la U-Net, los puentes que llevan detalle fino desde el lado que comprime hacia el lado que reconstruye, para no perder texturas y bordes al bajar y subir de resolución.

Latent diffusion — la idea que hizo práctica la difusión: en vez de quitar ruido sobre millones de píxeles, hacerlo en el espacio latente comprimido del VAE. Mucho más rápido y liviano; es la base de Stable Diffusion.

CLIP — el modelo que aprendió a conectar imágenes y texto en un mismo espacio, entrenado con millones de pares foto-descripción. Es lo que permite que “un gato astronauta” guíe la generación.

Cross-attention — el mecanismo por el que el texto de tu prompt influye en cada paso de denoising: la U-Net “atiende” a las palabras para decidir qué generar dónde.

Text conditioning (condicionamiento por texto) — inyectar tu descripción en el proceso de difusión para que la imagen resultante corresponda a lo que pediste, no a ruido cualquiera.

Guidance scale — la perilla que decide cuánto obedece el modelo tu prompt. Bajo = más libre y creativo; alto = más pegado al texto, a riesgo de imágenes saturadas o artificiales.

Classifier-free guidance — la técnica que hace funcionar la guidance scale: el modelo genera con y sin el prompt y exagera la diferencia, empujando el resultado hacia lo que pediste sin necesitar un clasificador aparte.

Stable Diffusion — el modelo abierto de latent diffusion que popularizó la generación de imágenes en tu propia máquina. Junta VAE, U-Net y CLIP en un solo sistema.

diffusers — la librería de Hugging Face para correr modelos de difusión en Python: cargar Stable Diffusion, generar imágenes y aplicar extensiones con pocas líneas.

ComfyUI — interfaz visual de nodos para armar pipelines de difusión arrastrando y conectando cajas (encoder, U-Net, VAE, extensiones) sin escribir código. La favorita para experimentar con flujos complejos.

DiT (Diffusion Transformer) — la red que reemplaza a la U-Net en los modelos de difusión más nuevos (Stable Diffusion 3, FLUX): un Transformer que hace el denoising sobre los parches del latente. El resto del pipeline no cambia.

ControlNet — la extensión que agrega control estructural a la generación: le entregas un boceto, una pose o los bordes y el modelo respeta esa guía mientras crea la imagen.

Inpainting — regenerar solo una zona de una imagen (borrar un objeto, cambiar un fondo) manteniendo intacto el resto. Difusión aplicada a una máscara.

LoRA (imágenes) (Low-Rank Adaptation) — pequeños “parches” entrenables que enseñan a Stable Diffusion un estilo, personaje u objeto nuevo sin reentrenar el modelo entero. Archivos livianos que se cargan encima del modelo base.

Transformers de visión y multimodal

Vision Transformer (ViT) — la arquitectura que aplica los transformers (los del mundo del texto) a imágenes, tratándolas como una secuencia de parches. Rivaliza y a menudo supera a las CNN cuando hay muchos datos.

Patch embedding — cortar la imagen en parches (por ejemplo, cuadros de 16×16) y convertir cada uno en un vector. Es cómo un ViT transforma una imagen en la “secuencia” que un transformer sabe procesar.

Positional encoding — el vector que se suma a cada parche para decirle al Transformer dónde estaba en la imagen. Sin él, el ViT no distinguiría una cara de la misma cara con los ojos abajo.

Sesgo inductivo (inductive bias) — los supuestos que una arquitectura trae de fábrica. Las CNN asumen que lo local y la posición importan (útil con pocos datos); los ViT casi no asumen nada, así que necesitan más datos pero llegan más lejos.

Multimodal — un modelo que maneja más de un tipo de dato a la vez (imagen y texto, por ejemplo). CLIP y los asistentes que “ven” son multimodales.

Vision encoder — la parte de un modelo multimodal que convierte una imagen en vectores que el resto del sistema (por ejemplo, un LLM) puede entender. El puente entre lo visual y lo lingüístico.

Proyección (adaptador) — la capa, a veces una simple matriz, que traduce los embeddings del vision encoder al tamaño exacto del espacio de tokens del LLM. Es la costura entre ambos mundos y, en el patrón LLaVA, lo único que se entrena de cero.

LLaVA — el patrón modular de modelo multimodal: un vision encoder preentrenado (CLIP) + una proyección + un LLM de texto preentrenado. Barato y transparente; la receta que siguen la mayoría de los modelos multimodales abiertos.

C2PA — estándar abierto de procedencia de contenido: firma en los metadatos quién y con qué herramienta creó o editó una imagen, incluso si fue generada por IA. La base técnica para etiquetar lo sintético.

Deepfake — imagen o video sintético que suplanta a una persona real de forma convincente, generado con estas mismas técnicas. El lado que obliga a hablar de ética, consentimiento y detección.

Material relacionado

• Cómo ve una máquina — el primer bloque del curso, donde partimos por el píxel.
• Práctica, producción y ética — el cierre: llevar todo esto a producción y usarlo con responsabilidad.