I Vantaggi dell’Ingrassare Attraverso l’Intelligenza Artificiale

Un nuovo sistema di intelligenza artificiale può realisticamente ridisegnare il corpo delle persone nelle foto, rendendole più grasse, più magre o più muscolose, senza cambiare il viso, i vestiti o lo sfondo. Il sistema è stato addestrato su un dataset completamente sintetico che mostra ogni identità in più tipi di corpo.

Oltre all’uso sempre più comune dell’intelligenza artificiale come metodo per raffinare la forma del corpo sui social network, o (potenzialmente) per alterare i tipi di corpo per scopi di effetti visivi, l’uso dell’apprendimento automatico per alterare l’aspetto degli individui può servire a una funzione più importante: aiutare gli individui con disturbi alimentari a comprendere la loro interpretazione distorta del proprio aspetto, nonché offrire uno strumento motivazionale potenziale per scopi sportivi e di fitness più generali:

Dal paper ‘Body size estimation in women with anorexia nervosa and healthy controls using 3D avatars’, un’interfaccia per visualizzare i cambiamenti della forma del corpo. Gli individui con dismorfofobia potrebbero avere difficoltà ad associare un’interpretazione realistica del proprio corpo con un’immagine simile, fornendo così ai clinici un metro per le risposte dismorfiche, tra gli altri scopi. Fonte: https://www.nature.com/articles/s41598-017-15339-z.pdf

Inoltre, la ricerca sulla prova di moda nel campo della visione artificiale ha anche interesse a fornire visualizzazioni accurate in un’ampia gamma di tipi di corpo. Nel frattempo, framework come il DiffBody del 2024 dell’Università di Tsukuba, hanno creato alcune funzionalità notevoli in questo campo:

Alcune delle trasformazioni possibili utilizzando la tecnica DiffBody precedente. Fonte: https://arxiv.org/pdf/2401.02804

Poiché i modelli di base dell’intelligenza artificiale sono ottimizzati per forme del corpo convenzionalmente attraenti o comuni, dimensioni insolite come ‘obese’ sono disponibili solo in misura minima nei modelli standard o sono accompagnate da pregiudizi punitivi.

Necessità di Coppia

Una delle sfide più grandi nella creazione di sistemi di intelligenza artificiale che possano realisticamente aggiungere o sottrarre grasso e muscoli alle foto di individui – senza alterare la loro identità, ambienti o vestiti – è che ciò richiede addestramento accoppiato, dove il sistema di intelligenza artificiale impara effettivamente immagini ‘prima’ e ‘dopo’ che definiscono la trasformazione che il modello è destinato a eseguire.

Questo tipo di addestramento è tornato in auge durante l’estate a causa del successo dei modelli di editing di immagini Kontext di Black Forest Labs, dove questo tipo di dati accoppiati è stato utilizzato per insegnare una serie di trasformazioni ai modelli:

Dal sito Flux Kontext, un esempio di trasformazione che riflette il tipo di dati di origine necessari per addestrare un modello in grado di mantenere l’integrità dell’immagine quando si impongono modifiche importanti. Fonte: https://bfl.ai/models/flux-kontext

Ovviamente, nel caso di sviluppo di un modello che possa alterare significativamente l’aspetto di una persona (senza riimmaginare l’intera immagine), si ha bisogno di qualcosa che è completamente impossibile nel mondo reale: foto ‘prima’ e ‘dopo’ radicali scattate solo pochi secondi dopo.

L’unica risorsa è i dati sintetici. Alcuni progetti di questo tipo hanno utilizzato coppie di contrasto individuali create manualmente in Photoshop; tuttavia, ciò è irrealistico in scala, e un processo automatizzato o semi-automatizzato, guidato dall’intelligenza artificiale, per la generazione delle coppie è ora considerato sempre più preferibile.

Il problema con gli approcci basati su GAN e con la maggior parte degli approcci basati su SMPL/X (dove una figura CGI virtuale viene utilizzata come una sorta di meccanismo di scambio tra immagini reali e le trasformazioni desiderate), e con gli approcci che utilizzano la deformazione dell’immagine, è che lo sfondo e l’identità tendono a soffrire nel processo.

Modelli CGI parametrici e vettoriali come SMPL e SMPL-X (tra gli altri), forniscono coordinate fisiche 3D convenzionali definite che possono essere interpretate e incorporate in framework di visione artificiale. Fonte: https://files.is.tue.mpg.de/black/papers/SMPL2015.pdf

Dal momento che è importante che l’intelligenza artificiale impari a cambiare solo gli aspetti desiderati, invece di imparare a deformare gli sfondi e a replicare altri errori indesiderati, nessun sistema di modifica del corpo è ancora arrivato a una soluzione perfetta.

Un recente articolo dell’India, tuttavia, propone un notevole progresso rispetto allo stato dell’arte attraverso l’uso del vecchio framework di modello di diffusione Flux, aumentato con una serie di approcci secondari che consentono un set di dati accoppiati superiore e più coerente:

Esempi del dataset dal nuovo progetto. Fonte: https://arxiv.org/pdf/2508.13065

Il progetto comprende un nuovo e ampio set di dati accoppiati; Odo, un modello di diffusione generativo addestrato su questi dati; e un benchmark personalizzato progettato per valutare quantitativamente le prestazioni di editing della forma umana. Nelle prove, gli autori affermano un notevole progresso rispetto agli standard raggiunti da modelli comparabili.

L’nuovo articolo è intitolato Odo: Diffusione Guidata dalla Profondità per la Riforma del Corpo che Conserva l’Identità e proviene da tre ricercatori di Fast Code AI Pvt. Ltd a Bangalore.

Dati e Metodo

Il set di dati creato dai ricercatori presenta 7.615 immagini ad alta risoluzione (960x1280px) per ogni tipo di corpo di destinazione (grasso, magro e muscoloso).

Inizialmente, 1.523 volti umani sono stati generati attraverso il modello di diffusione FLUX.1-dev da 12 miliardi di parametri, sfruttando un numero non specificato di volti di riferimento senza licenza da Pexels e Unsplash, per aumentare la diversità.

Per generare immagini a corpo intero che incorporano questi volti, i ricercatori hanno utilizzato l’offerta PuLID del 2024 di ByteDance, un checkpoint fine-tuned su base Flux, che presenta una perdita di contrasto progettata per aiutare a conservare l’identità facciale durante i processi di trasformazione:

Esempi dal progetto PuLID. Fonte: https://arxiv.org/pdf/2404.16022

Il modello ha ricevuto un’immagine del viso e un prompt standardizzato che chiedeva genere, vestiti, posa, scena, nonché il tipo di corpo di magro, grasso o muscoloso.

Le tre immagini del tipo di corpo per ogni identità hanno talvolta esibito piccoli spostamenti nell’allineamento dello sfondo e nella dimensione percepita del soggetto, derivanti dal comportamento stocastico dei modelli di diffusione, dove ogni generazione inizia da un nuovo rumore seed. Anche piccoli cambiamenti nel prompt, come la modifica della descrizione del tipo di corpo, possono influenzare la traiettoria del modello nello spazio latente e causare deriva visiva.

Per correggere questa variazione, è stata applicata una pipeline di post-elaborazione automatica a quattro fasi, con l’immagine magro in ogni tripletta selezionata come riferimento, poiché la sua sagoma più piccola espose più sfondo.

La rilevazione della persona è stata eseguita utilizzando RT-DETRv2, seguita dalla segmentazione con SAM 2.1 per estrarre maschere del soggetto per tutti e tre i tipi di corpo. L’immagine di riferimento magro è stata quindi passata a FLUX.1 Kontext Pro (il nuovo sistema di editing di immagini) per l’inpainting dello sfondo, producendo una versione pulita della scena, con il soggetto rimosso.

Le varianti grasse e muscolose sono state ridimensionate utilizzando una scala uniforme per corrispondere all’altezza della maschera di riferimento magro e composte sullo sfondo pulito alla stessa allineamento inferiore, garantendo un’incorniciatura coerente in tutte le immagini.

Gli autori affermano:

‘Le triple di trasformazione (magro, grasso e muscolo) hanno uno sfondo identico e una scala del soggetto uniforme. Ciò rimuove variazioni irrilevanti che potrebbero influire negativamente sulla formazione o sulla valutazione successive.’

Ogni tripletta di immagini magre, grasse e muscolose ha consentito sei possibili coppie di trasformazione, risultando in 45.690 combinazioni teoriche su 7.615 identità.

Dopo aver filtrato gli esempi con abbinamenti di vestiti non corrispondenti, pose innaturali, arti distorti, deriva dell’identità o cambiamenti di forma minimi, sono stati conservati 18.573 coppie di alta qualità. Sebbene alcune differenze di posa minori siano rimaste, il modello si è dimostrato robusto a queste variazioni.

Formazione e Test

Le immagini risultanti sono state utilizzate per addestrare il modello Odo – un approccio basato sulla diffusione per ridisegnare gli esseri umani, con l’uso di mappe del modello lineare multi-persona (SMPL, ovvero CGI intermedio).

Informate dai metodi del Neural Localizer del 2024, i dati sono stati conformati al modello SMPL su base individuale, con i parametri ottimizzati in grado di produrre mappe di profondità dalle quali sarebbero state derivate le immagini modificate:

Schema per la pipeline di addestramento. Il lato sinistro mostra l’impostazione di addestramento, dove le mappe di profondità SMPL dell’immagine di destinazione guidano ReshapeNet tramite ControlNet per eseguire la trasformazione del corpo. Le caratteristiche dell’immagine di origine vengono estratte da ReferenceNet e fuse in ReshapeNet utilizzando l’auto-attenzione spaziale. Il lato destro mostra l’inferenza, dove i parametri SMPL vengono stimati dall’immagine di input, modificati da attributi semantici e resi in una mappa di profondità di destinazione che condiziona ReshapeNet durante la denoising, per produrre l’immagine finale trasformata.

Il modello (vedi schema sopra) comprende il modulo ReshapeNet, supportato da tre moduli ausiliari: ReferenceNet; un modulo IP-Adapter; e un modulo ControlNet basato sulla profondità.

ReferenceNet estrae caratteristiche dettagliate come sfondo, vestiti e identità dall’immagine di input e le passa a ReshapeNet. IP-Adapter contribuisce con una guida di caratteristiche di alto livello, mentre il ControlNet della profondità applica una condizionamento basato su SMPL per guidare la trasformazione del corpo. In linea con lavori precedenti, è stato utilizzato un SDXL-basato frozen UNet per estrarre caratteristiche intermedie.

Per quanto riguarda il modulo IP-Adapter, questo codifica l’immagine di input tramite CLIP, con le incorporazioni risultanti integrate nuovamente in ReshapeNet tramite auto-attenzione incrociata.

Per quanto riguarda il modulo ControlNet della profondità, questo guida gli strati medi e di decoder di ReshapeNet utilizzando connessioni residue. Successivamente, prende una mappa di profondità resa dai parametri SMPL di destinazione e la allinea con l’immagine di destinazione.

ReshapeNet, basato sul UNet SDXL, è la rete centrale di Odo. Durante l’addestramento, le immagini di destinazione vengono codificate nello spazio latente con un autoencoder variabile, rumorose nel tempo e quindi denoised da ReshapeNet utilizzando caratteristiche da ControlNet e ReferenceNet.

Sono stati aggiunti prompt di testo specifici per categoria, come ‘Rendi la persona più grassa’, ‘Rendi la persona più magra’ o ‘Rendi la persona più muscolosa’, per guidare le trasformazioni. Mentre le mappe di profondità catturavano forme del corpo grezze, i prompt fornivano il dettaglio semantico necessario per cambiamenti come la definizione muscolare, consentendo al modello di produrre modifiche più accurate e realistiche.

Implementazione dell’Addestramento

Odo è stato addestrato sul set di dati sintetici del progetto, combinato con un subset del set di dati DeepFashion-MultiModal, per un totale di 20.000 coppie di immagini.

Il set di dati DeepFashion-MultiModal ha fornito varietà in abbigliamento e caratteristiche facciali, con immagini accoppiate contro se stesse durante l’addestramento. Con tutte le mappe di profondità SMPL precalcolate per efficienza, l’addestramento è stato eseguito per 60 epoche su una sola GPU NVIDIA A100 con 80GB di VRAM.

Con le immagini di input ridimensionate a 768×1024, è stato utilizzato l’ottimizzatore Adam con un tasso di apprendimento di 1×10⁻⁵. ReshapeNet è stato inizializzato con pesi UNet SDXL e ottimizzato congiuntamente con IP-Adapter a partire dal suo checkpoint.

ReferenceNet è stato inizializzato con pesi SDXL e mantenuto congelato, mentre il ControlNet della profondità ha utilizzato pesi pre-addestrati e rimaneva congelato.

Il modello finale ha richiesto circa 23GB di memoria GPU, richiedendo 18 secondi per l’inferenza di un’immagine singola.

Una Metrica Nuova

La mancanza di set di dati del tipo richiesto per questo tipo di progetto ha significato che non esistevano metriche esistenti che affrontassero effettivamente la sfida. Pertanto, gli autori hanno ideato un nuovo benchmark, composto da 3.600 coppie di immagini, che presentano immagini del viso reali e descrizioni dello sfondo, insieme a variazioni diverse della forma del corpo.

Altre metriche utilizzate sono state l’Indice di Similarità Strutturale (SSIM); Rapporto di Segnale-Rumore di Picco (PSNR); Similarità di Immagine Perceptuale Appresa (LPIPS); e Errore Euclideo per Vertice Corretto in Posizione Neutrale (T-) (PVE-T-SC).

Inizialmente, gli autori hanno testato il loro metodo in modo qualitativo su immagini nel mondo reale (immagini non viste dal modello durante l’addestramento):

Test qualitativi. Gli esempi mostrano conversioni dall’immagine originale a tipi di corpo più magri, sovrappeso e muscolosi in diverse pose, comprese sedute e in piedi. Si prega di fare riferimento al paper di origine per una definizione e un dettaglio migliori.

Di questi risultati, il paper afferma:

‘[Il nostro] metodo gestisce efficacemente pose, sfondi e abbigliamento diversi, conservando l’identità della persona.

‘Oltre alle forme di destinazione SMPL, forniamo prompt testuali – ‘Rendi la persona più grassa,’ ‘Rendi la persona più magra,’ o ‘Rendi la persona più muscolosa’– per guidare esplicitamente le trasformazioni desiderate…

…'[L’immagine seguente] dimostra ulteriormente la capacità del nostro modello di eseguire trasformazioni di forma diverse. Il modello segue accuratamente le mappe di profondità SMPL per generare più varianti di versioni più magre e più grasse dell’immagine di riferimento.’

Ulteriori test qualitativi che coprono l’intervallo di tipi di corpo di destinazione. Si prega di fare riferimento al paper di origine per una definizione e un dettaglio migliori.

Gli autori aggiungono:

‘I nostri risultati dimostrano trasformazioni più realistiche in base al peso di destinazione, poiché il nostro modello regola contemporaneamente la forma del corpo generale, le proporzioni degli arti e i vestiti, risultando in modifiche anatomicamente coerenti e visualmente convincenti.’

Per i test quantitativi, gli autori hanno confrontato il loro sistema con il modello di editing di immagini open source Flux Kontext [dev], FLUX.1, e l’offerta del 2022 intitolata Generazione di Flusso Consapevole della Struttura per la Riforma del Corpo Umano.

Per FLUX.1 Kontext [dev], sono stati progettati prompt per istruire ‘Rendi la persona più grassa,’ ‘Rendi la persona più magra,’ o ‘Rendi la persona più muscolosa’, con pesi di destinazione specificati – sebbene la mancanza di controlli fine-granulari abbia limitato le prestazioni:

Confronto di Odo con la Generazione di Flusso Consapevole della Struttura per la Riforma del Corpo Umano e FLUX.1 Kontext [dev] sul set di test, insieme ai risultati di ablazione per modelli addestrati senza condizionamento del prompt in ReshapeNet, senza ReferenceNet (utilizzando solo IP-Adapter) e con l’addestramento limitato al set di dati BR-5K. La tabella include anche materiale relativo agli studi di ablazione (BR-5K), che non stiamo trattando qui.

Conclusione

L’avvento di Flux Kontext quest’anno, e più recentemente la pubblicazione dei pesi non quantizzati per Qwen Image Edit, hanno riportato i dati accoppiati in primo piano nelle comunità di hobbisti e professionisti. In un clima di crescente critica e impazienza nei confronti dell’imprecisione dell’intelligenza artificiale generativa, modelli di questo tipo sono progettati per una fedeltà molto più alta alle immagini di origine (sebbene i modelli più piccoli siano talvolta limitati dai loro obiettivi di addestramento specifici).

Nel caso specifico, l’utilità di un sistema di modifica del corpo sembrerebbe risiedere in campi psicologici, medici e basati sulla moda. Tuttavia, è possibile che sistemi di questo tipo raggiungano un livello di rilievo più alto e, forse, un insieme più casuale e anche potenzialmente preoccupante di utilizzi.

Pubblicato per la prima volta lunedì, 25 agosto 2025