Las Ventajas de Engordar a Través de la IA

Un nuevo sistema de IA puede realista cambiar la forma del cuerpo de las personas en las fotos, haciéndolas más gordas, más delgadas o más musculosas, sin cambiar su rostro, ropa o fondo. El sistema se entrena con un conjunto de datos completamente sintético que muestra cada identidad en varios tipos de cuerpo.

Además del uso cada vez más común de la IA como método de refinamiento de la forma del cuerpo en las redes sociales, o (potencialmente) para alterar los tipos de cuerpo para fines de VFX, el uso del aprendizaje automático para alterar la apariencia de las personas puede servir a una función más importante: ayudar a las personas con trastornos alimentarios a entender su propia interpretación dismórfica de su apariencia, así como ofrecer una herramienta motivacional potencial para fines deportivos y de fitness en general:

Del artículo ‘Estimación del tamaño corporal en mujeres con anorexia nerviosa y controles sanos utilizando avatares 3D’, una GUI para visualizar los cambios en la forma del cuerpo. Las personas con dismorfia corporal pueden tener dificultades para asociar una interpretación realista de su cuerpo con una imagen similar, lo que da a los clínicos una métrica para las respuestas dismórficas, entre otros fines. Fuente: https://www.nature.com/articles/s41598-017-15339-z.pdf

Además, la subrama de la prueba de moda en la investigación de visión por computadora también tiene interés en proporcionar visualizaciones precisas en una variedad de formas corporales. Mientras tanto, marcos como el DiffBody de 2024, ofrecido por la Universidad de Tsukuba en Japón, han creado algunas funcionalidades impresionantes en este campo:

Algunas de las transformaciones posibles utilizando la técnica DiffBody anterior. Fuente: https://arxiv.org/pdf/2401.02804

Dado que los modelos de IA se optimizan hacia formas corporales convencionalmente atractivas o comunes, los tamaños inusuales como ‘obeso’ son mínimamente disponibles en los modelos estándar, o vienen con algunos sesgos punitivos.

Necesidades de Pareja

Uno de los mayores desafíos al crear sistemas de IA que puedan realista agregar o restar grasa y músculo a las fotos de las personas, sin alterar su identidad, entornos o ropa, es que esto implica entrenamiento por parejas, donde el sistema de IA aprende efectivamente ‘antes’ y ‘después’ de las imágenes que definen cualquier transformación que el modelo esté destinado a realizar.

Este tipo de entrenamiento ha vuelto a ser prominente durante el verano debido al éxito de la serie de modelos de edición de imágenes Kontext de Black Forest Labs, donde se utilizó este tipo de datos emparejados para enseñar una variedad de transformaciones a los modelos:

Del sitio Flux Kontext, un ejemplo de una transformación que refleja el tipo de datos de origen necesarios para entrenar un modelo capaz de mantener la integridad de la imagen al imponer cambios importantes. Fuente: https://bfl.ai/models/flux-kontext

Obviamente, en el caso de desarrollar un modelo que pueda alterar significativamente la apariencia de una persona (sin reimaginar toda la imagen), se necesita algo que es totalmente imposible en el mundo real: fotos ‘antes’ y ‘después’ radicales tomadas solo segundos aparte.

La única solución es datos sintéticos. Algunos proyectos de este tipo han utilizado pares de contraste individuales creados manualmente en Photoshop; sin embargo, esto es poco realista a gran escala, y se considera que un proceso automatizado o semiautomatizado, impulsado por IA, para generar los pares es ahora más preferible.

El problema con los enfoques basados en GAN y la mayoría de los enfoques SMPL/X (donde se utiliza una figura CGI virtual como una especie de mecanismo de intercambio entre imágenes reales y las transformaciones deseadas), y con los enfoques que utilizan la deformación de imágenes, es que el fondo y la identidad tienden a sufrir en el proceso.

Modelos CGI paramétricos y vectoriales como SMPL y SMPL-X (entre otros), proporcionan coordenadas 3D físicas convencionales definidas que pueden interpretarse e incorporarse a los marcos de visión por computadora. Fuente: https://files.is.tue.mpg.de/black/papers/SMPL2015.pdf

Dado que es importante que la IA aprenda a cambiar solo los aspectos deseados, en lugar de aprender a deformar fondos y replicar otros errores no deseados, ningún sistema de alteración del cuerpo ha llegado aún a una solución perfecta.

Un artículo reciente de la India, sin embargo, propone un avance notable en el estado del arte a través del uso del marco de modelo de difusión Flux más antiguo, aumentado con una serie de enfoques secundarios que permiten un conjunto de datos emparejado superior y más consistente:

Ejemplos del conjunto de datos del nuevo proyecto. Fuente: https://arxiv.org/pdf/2508.13065

El proyecto comprende un nuevo y extenso conjunto de datos emparejados; Odo, un modelo de difusión generativo entrenado en estos datos; y un benchmark personalizado diseñado para evaluar cuantitativamente el rendimiento de edición de forma corporal humana. En las pruebas, los autores afirman un avance notable en los estándares logrados por modelos comparables.

El nuevo artículo se titula Odo: Difusión guiada por profundidad para la reconfiguración del cuerpo que preserva la identidad, y proviene de tres investigadores en Fast Code AI Pvt. Ltd en Bangalore.

Datos y Método

El conjunto de datos creado por los investigadores cuenta con 7,615 imágenes de alta resolución (960x1280px) para cada tipo de cuerpo objetivo (gordo, delgado y músculo).

Inicialmente, se generaron 1,523 caras humanas a través del modelo de difusión FLUX.1-dev de 12 mil millones de parámetros, aunque utilizando un número no especificado de caras de referencia libres de licencia de Pexels y Unsplash, para aumentar la diversidad.

Para generar imágenes de cuerpo completo que incorporen estas caras, los investigadores utilizaron PuLID de ByteDance, una versión de 2024, afinada sobre la base de Flux, y que cuenta con una pérdida de contraste diseñada para ayudar a conservar la identidad facial durante los procesos de transformación:

Ejemplos del proyecto PuLID. Fuente: https://arxiv.org/pdf/2404.16022

El modelo recibió una imagen facial y una solicitud estandarizada que pedía género, ropa, postura, escena, así como el tipo de cuerpo de delgado, gordo o músculo.

Las tres imágenes de tipo de cuerpo para cada identidad a veces exhibieron cambios menores en la alineación del fondo y el tamaño percibido del sujeto, que surgieron del comportamiento estocástico de los modelos de difusión, donde cada generación comienza desde una nueva semilla de ruido. Incluso cambios menores en la solicitud, como modificar la descripción del tipo de cuerpo, pueden influir en la trayectoria del modelo en espacio latente y causar deriva visual.

Para corregir esta variación, se aplicó una tubería de post-procesamiento automático de cuatro etapas, con la imagen delgada en cada tríada seleccionada como la de referencia, ya que su silueta más pequeña expuso más fondo.

La detección de personas se realizó utilizando RT-DETRv2, seguida de segmentación con SAM 2.1 para extraer máscaras de sujeto para los tres tipos de cuerpo. La imagen de referencia delgada se pasó entonces a FLUX.1 Kontext Pro (el sistema de edición de imágenes más nuevo) para la pintura del fondo, produciendo una versión limpia de la escena, con el sujeto eliminado.

Las variantes gorda y músculo se redimensionaron utilizando escalado uniforme para coincidir con la altura de la máscara de referencia delgada, y se compusieron sobre el fondo limpio a la misma alineación inferior, garantizando un encuadre consistente en todas las imágenes.

Los autores afirman:

‘Los tripletes de transformación resultantes (delgado, gordo y músculo) tienen un fondo idéntico y una escala de sujeto uniforme. Esto elimina las variaciones irrelevantes que podrían afectar negativamente el entrenamiento o la evaluación posteriores.’

Cada tríada de imágenes delgadas, gordas y musculosas permitió seis posibles pares de transformación, lo que resultó en 45,690 combinaciones teóricas en 7,615 identidades.

Después de filtrar los ejemplos con ropa no coincidente, posturas no naturales, extremidades distorsionadas, deriva de identidad o cambios de forma mínimos, se conservaron 18,573 pares de alta calidad. Aunque algunos cambios menores de postura permanecieron, el modelo demostró ser robusto a estas variaciones.

Entrenamiento y Pruebas

Las imágenes resultantes se utilizaron para entrenar el modelo Odo, un enfoque basado en difusión para reconfigurar a los humanos, con el uso de mapas de SMPL (es decir, CGI intermedio).

Inspirado en los métodos del Localizador Neural de 2024, los datos se conformaron al modelo SMPL en una base por individuo, con los parámetros optimizados resultantes capaces de producir mapas de profundidad a partir de los cuales se derivarían las imágenes alteradas:

Esquema de la tubería de entrenamiento. El lado izquierdo muestra la configuración de entrenamiento, donde los mapas de profundidad SMPL de la imagen de destino guían a ReshapeNet a través de ControlNet para realizar la transformación del cuerpo. Las características de la imagen de origen se extraen mediante ReferenceNet y se fusionan en ReshapeNet utilizando atención espacial. El lado derecho muestra la inferencia, donde los parámetros SMPL se estiman a partir de la imagen de entrada, se modifican por atributos semánticos y se representan en un mapa de profundidad de destino que condiciona a ReshapeNet durante la desenoisificación, para producir la imagen transformada final.

El modelo (ver esquema anterior) comprende el módulo ReshapeNet, respaldado por tres módulos auxiliares: ReferenceNet; un módulo IP-Adapter; y un módulo ControlNet basado en profundidad.

ReferenceNet extrae características detalladas como fondo, ropa e identidad de la imagen de entrada, y las pasa a ReshapeNet. IP-Adapter contribuye con orientación de características de alto nivel, mientras que el ControlNet de profundidad aplica condicionamiento basado en SMPL para guiar la transformación del cuerpo. En línea con trabajos anteriores, se utilizó un UNet congelado basado en SDXL para extraer características intermedias.

En cuanto al módulo IP-Adapter, este codifica la imagen de entrada a través de CLIP, con las incrustaciones resultantes integradas de regreso a ReshapeNet a través de atención cruzada.

En cuanto al módulo ControlNet de profundidad, este guía las capas medias y decodificadoras de ReshapeNet utilizando conexiones residuales. Posteriormente, toma un mapa de profundidad renderizado a partir de los parámetros SMPL de destino y lo alinea con la imagen de destino.

ReshapeNet, basado en el UNet SDXL, es la red central de Odo. Durante el entrenamiento, las imágenes de destino se codifican en espacio latente con un autoencoder variacional, ruidosas con el tiempo y luego desenoisificadas por ReshapeNet utilizando características de ControlNet y ReferenceNet.

Se agregaron solicitudes de texto específicas de categoría, como ‘Haz que la persona sea más gorda’, ‘Haz que la persona sea más delgada’ o ‘Haz que la persona sea más musculosa’, para guiar las transformaciones. Mientras que los mapas de profundidad capturaron formas corporales gruesas, las solicitudes proporcionaron el detalle semántico necesario para cambios como la definición muscular, lo que permitió al modelo producir modificaciones más precisas y realistas.

Implementación del Entrenamiento

Odo se entrenó en el conjunto de datos sintético del proyecto, combinado con un subconjunto del conjunto de datos DeepFashion-MultiModal, lo que dio como resultado un total de 20,000 pares de imágenes.

Los datos DeepFashion-MultiModal proporcionaron variedad en ropa y características faciales, con imágenes emparejadas contra sí mismas durante el entrenamiento. Con todos los mapas de profundidad SMPL precalculados para la eficiencia, el entrenamiento se ejecutó durante 60 épocas en una sola GPU NVIDIA A100 con 80GB de VRAM.

Con las imágenes de entrada redimensionadas a 768×1024, se utilizó el optimizador Adam a una tasa de aprendizaje de 1×10⁻⁵. ReshapeNet se inicializó con pesos UNet SDXL y se ajustó finamente de manera conjunta con el IP-Adapter desde su punto de control.

ReferenceNet se inicializó con pesos SDXL y se mantuvo congelado, mientras que el ControlNet de profundidad utilizó pesos preentrenados y también permaneció congelado.

El modelo final requirió alrededor de 23GB de memoria de GPU, requiriendo 18 segundos para la inferencia de una sola imagen.

Una Métrica Nueva

La falta de conjuntos de datos del tipo necesario para este tipo de proyecto significó que no había métricas existentes que abordaran realmente el desafío. Por lo tanto, los autores diseñaron una nueva referencia, compuesta por 3,600 pares de imágenes, que presentan imágenes faciales reales y descripciones de fondo, junto con variaciones en la forma del cuerpo.

Otras métricas utilizadas fueron Índice de Similitud Estructural (SSIM); Relación de Señal a Ruido de Pico (PSNR); Similitud de Parches de Imagen Percibida Aprendida (LPIPS); y Error Euclidiano por Vértice en Escala Neutral (T-) corregido (PVE-T-SC).

Primero, los autores probaron su método cualitativamente contra imágenes del mundo real (imágenes que no vio el modelo durante el entrenamiento):

Pruebas cualitativas. Los ejemplos muestran conversiones desde la imagen original a tipos de cuerpo más delgados, con sobrepeso y musculosos en diferentes posturas, incluyendo sentado y de pie. Por favor, consulte el artículo de origen para una mejor definición y detalle.

De estos resultados, el artículo afirma:

‘Nuestro método maneja efectivamente diferentes posturas, fondos y ropa mientras conserva la identidad de la persona.

‘Además de las formas de destino SMPL, proporcionamos solicitudes de texto – ‘Haz que la persona sea más gorda’, ‘Haz que la persona sea más delgada’ o ‘Haz que la persona sea más musculosa’ – para guiar explícitamente las transformaciones deseadas…

… ‘[La imagen a continuación] demuestra aún más la capacidad de nuestro modelo para realizar diversas transformaciones de forma. El modelo sigue con precisión los mapas de profundidad SMPL para generar múltiples variaciones de versiones más delgadas y más gordas a partir de la imagen de referencia.’

Pruebas cualitativas adicionales que cubren el rango de tipos de cuerpo objetivo. Por favor, consulte el artículo de origen para una mejor definición y detalle.

Los autores comentan aún más:

‘Nuestros resultados demuestran transformaciones más realistas según el peso objetivo, ya que nuestro modelo ajusta simultáneamente la forma corporal general, las proporciones de los miembros y la ropa, lo que resulta en modificaciones anatómicamente consistentes y visualmente convincentes.’

Para pruebas cuantitativas, los autores compararon su sistema con el modelo de código abierto Flux Kontext [dev], FLUX.1, y la oferta de 2022 Generación de flujo estructurado para la reconfiguración del cuerpo humano.

Para FLUX.1 Kontext [dev], se diseñaron solicitudes para instruir ‘Haz que la persona sea más gorda’, ‘Haz que la persona sea más delgada’ o ‘Haz que la persona sea más musculosa’, con pesos objetivo especificados, aunque la falta de controles detallados limitó el rendimiento:

Comparación de Odo con Generación de flujo estructurado para la reconfiguración del cuerpo humano y FLUX.1 Kontext [dev] en el conjunto de prueba, junto con resultados de ablation (no cubiertos en este artículo) para modelos entrenados sin acondicionamiento de solicitud en ReshapeNet, sin ReferenceNet (utilizando solo IP-Adapter) y con entrenamiento restringido al conjunto de datos BR-5K.

Conclusión

El surgimiento de Flux Kontext este año, y más recientemente la liberación de los pesos no cuantificados para Qwen Image Edit, han llevado de regreso a los datos emparejados al centro de las comunidades de aficionados y profesionales. En el clima de creciente crítica y descontento con respecto a la imprecisión de la IA generativa, los modelos de este tipo están diseñados para una fidelidad mucho mayor a las imágenes de origen (aunque los modelos de menor escala a veces se ven limitados por sus objetivos de entrenamiento específicos).

En este caso, la utilidad de un sistema de reconfiguración del cuerpo parecería estar en los campos psicológicos, médicos y de moda. Sin embargo, es posible que los sistemas de este tipo logren un nivel más alto de prominencia y, quizás, un conjunto más casual y potencialmente preocupante de usos.

Publicado por primera vez el lunes, 25 de agosto de 2025