La generación de imágenes mediante Inteligencia Artificial (IA) está en auge, con proyecciones que la sitúan como una industria multimillonaria en pocos años. Actualmente, modelos de IA pueden crear imágenes complejas a partir de texto en cuestión de segundos. Sin embargo, estos sistemas requieren un entrenamiento intensivo con enormes cantidades de datos, lo que implica un alto costo computacional y energético.
Un nuevo enfoque: Editando el ‘ADN’ de las imágenes
Un equipo de investigadores del MIT ha presentado una alternativa revolucionaria: la generación y edición de imágenes sin necesidad de un generador. Su trabajo, presentado en la International Conference on Machine Learning (ICML 2025), se basa en la manipulación de representaciones compactas de imágenes, conocidas como ‘tokens’.
La clave está en un ‘tokenizer’ unidimensional (1D), una red neuronal que transforma una imagen de, por ejemplo, 256×256 píxeles en una secuencia de solo 32 números, los mencionados tokens. Cada token encapsula información sobre la imagen completa, a diferencia de los tokenizers tradicionales que dividen la imagen en cuadrantes.
¿Qué significa cada ‘token’? Descifrando el lenguaje de la IA
Lukas Lao Beyer, uno de los investigadores, explica que cada token es un número de 12 dígitos binarios, lo que resulta en unas 4000 posibilidades. El equipo se propuso descifrar qué información contenía cada token. Para ello, modificaban el valor de un token y observaban los cambios resultantes en la imagen.
Descubrieron que algunos tokens controlaban la resolución de la imagen, otros el nivel de desenfoque del fondo, y otros incluso la ‘pose’ del objeto principal. Por ejemplo, al modificar un token específico en la imagen de un pájaro, podían cambiar la orientación de su cabeza.
Generando imágenes desde cero… ¡sin generador!
El avance más significativo es la posibilidad de generar imágenes sin un generador tradicional. El sistema utiliza el tokenizer 1D, junto con un ‘detokenizer’ (o decodificador) que reconstruye la imagen a partir de la secuencia de tokens. Además, se valen de una red neuronal llamada CLIP, que evalúa la correspondencia entre una imagen y una descripción textual.
Con esta configuración, pudieron transformar la imagen de un panda rojo en un tigre, simplemente ajustando los tokens con la guía de CLIP. Incluso, lograron crear imágenes completamente nuevas a partir de una secuencia de tokens aleatorios, modificándolos iterativamente hasta que la imagen resultante coincidiera con la descripción deseada.
Implicaciones y futuro de la ‘tokenización’
Este enfoque abre la puerta a la edición de imágenes más intuitiva y a la reducción de costos computacionales, ya que elimina la necesidad de entrenar generadores complejos. Además, permite realizar tareas como el ‘inpainting’ (rellenar áreas faltantes en una imagen) de forma más eficiente.
Los investigadores vislumbran aplicaciones más allá de la visión artificial. Sertac Karaman, otro miembro del equipo, sugiere que la ‘tokenización’ podría aplicarse a las acciones de robots o vehículos autónomos, permitiendo una representación más compacta y eficiente de sus comportamientos.
Conclusión: Un cambio de paradigma en la generación de imágenes
El trabajo del MIT redefine el papel de los tokenizers, demostrando que estas herramientas, originalmente diseñadas para la compresión de imágenes, pueden ser la clave para la generación y edición de imágenes más eficientes y accesibles. Este nuevo enfoque promete democratizar la creación visual y abrir nuevas vías de investigación en el campo de la inteligencia artificial.
Fuente: MIT News – AI
Leave a Comment