Perfilado de sección

  • En el pináculo de la creación visual algorítmica, presentamos la Introducción a modelos de difusión para la generación de imágenes. Estas redes matemáticas han revolucionado la producción gráfica e industrial a nivel mundial en los últimos años.

    Desglosaremos el proceso estocástico por el cual la IA aprende a inyectar ruido gaussiano puro en las imágenes de entrenamiento para, posteriormente, aprender a limpiar ese ruido (denoising) de manera controlada por instrucciones textuales (prompts).

    El impacto de estas redes trasciende el arte. Se utilizan ampliamente para generar bases de datos sintéticas, entrenar otros modelos de visión y visualizar simulaciones matemáticas profundas, alterando definitivamente la manera en que modelamos nuestro mundo computacionalmente.

    • Cómo crear imágenes con IA desde Python | TUTORIAL de Stable Diffusion

    • Actividad (Tarea):

      Descarga la base de datos que contiene descripciones de objetos: COCO Captions Extract (CSV) (usaremos un CSV simplificado de texto para evitar cargas masivas, como el de reseñas de la semana 10, pero simulando descriptores visuales). En Google Colab, instala la librería diffusers de HuggingFace. Utiliza un modelo preentrenado muy ligero (ej. stable-diffusion-v1-5 si tienes GPU activa en Colab, o simplemente imprime el código funcional documentado si excede los recursos de RAM de Colab) que tome un texto como "Un robot futurista estudiando en la Universidad de Concepción" y genere la imagen correspondiente.

    • Foro:

      Debate ético y legal: Considerando que estos modelos de difusión fueron entrenados con millones de imágenes públicas de internet protegidas por copyright, ¿quién ostenta legítimamente los derechos de autor de la nueva obra generada?