GAN: cómo distinguir calidad, diversidad y memoria

El 10 de junio de 2014, Ian Goodfellow y siete coautores enviaron «Generative Adversarial Nets», el trabajo que formuló las redes generativas adversarias, o GAN. Su idea era precisa, no mágica: entrenar a la vez un generador que fabrica muestras y un discriminador que intenta distinguirlas de los datos reales. Aquel juego produjo después imágenes muy convincentes, pero «parece real» nunca significó «es diverso», «no copia» ni «representa fielmente el mundo».

Ésa es la capacidad duradera que ofrece entender una GAN: ante cualquier demostración de un modelo generativo, separar cinco preguntas que un escaparate suele mezclar —fidelidad visual, diversidad, memorización, utilidad para una tarea y coste de producir cada muestra— y añadir una sexta que la arquitectura no resuelve: la procedencia del contenido.

Dos redes y un objetivo que ninguna controla por sí sola

El generador transforma una entrada aleatoria, normalmente un vector de ruido, en una muestra candidata. El discriminador recibe muestras reales y generadas y estima de qué grupo procede cada una. Durante el entrenamiento, el discriminador aprende a acertar y el generador recibe una señal que le permite fabricar ejemplos más difíciles de rechazar. No hay un catálogo humano que le indique qué nariz, textura o borde debe dibujar: la información llega a través de los errores del adversario.

El artículo fundacional expresa ese proceso como un juego minimax. Bajo supuestos ideales —capacidad suficiente y optimización del discriminador en cada paso— demuestra que la solución tiene la distribución generada igual a la distribución de los datos y que el discriminador responde 1/2 en todas partes. Es una propiedad matemática del modelo ideal, no un certificado de que dos redes finitas entrenadas con un número limitado de imágenes hayan alcanzado ese punto. En la práctica se alternan actualizaciones aproximadas, y una variante de la pérdida del generador se usa para evitar gradientes demasiado débiles al comienzo.

Esta diferencia entre el objetivo y el procedimiento importa. Si el discriminador aprende mucho más deprisa, puede rechazar casi todo sin ofrecer al generador una dirección útil. Si ambos cambian a ritmos incompatibles, el aprendizaje puede oscilar. Y si el generador encuentra un pequeño grupo de salidas que engaña al rival, puede repetirlas y abandonar regiones enteras de los datos. Ese fallo se llama colapso de modos: alta apariencia local, baja cobertura global.

Qué cambió cada hito —y qué no resolvió

En 2015, DCGAN reunió decisiones arquitectónicas —convoluciones con paso, normalización por lotes, eliminación de ciertas capas totalmente conectadas y activaciones concretas— y mostró representaciones visuales útiles. No demostró que añadir convoluciones estabilice cualquier GAN: documentó una familia de restricciones que funcionó en sus experimentos.

En 2017, Wasserstein GAN sustituyó la clasificación ordinaria del discriminador por un crítico y una distancia con mejores propiedades para seguir el progreso del entrenamiento. El artículo buscaba curvas de aprendizaje más informativas y menos colapso de modos. Tampoco convirtió el entrenamiento en un trámite garantizado: impone condiciones sobre el crítico, y trabajos posteriores propusieron otras formas de cumplirlas.

Las aplicaciones también enseñan a leer los límites. CycleGAN aprendió traducciones entre dos dominios sin ejemplos emparejados usando consistencia de ciclo. Puede cambiar caballos por cebras o estaciones en una escena, pero la correspondencia no está determinada por una verdad observada píxel a píxel; una salida plausible puede introducir rasgos que nunca estuvieron en la entrada. SRGAN optimizó superresolución perceptual y produjo texturas más convincentes que soluciones orientadas solo al error cuadrático. Eso no recupera necesariamente el detalle original perdido: propone detalle compatible con lo aprendido.

La misma cautela se aplica a restauradores modernos como Real-ESRGAN, que construye degradaciones sintéticas para acercarse a fotografías reales. Una imagen restaurada puede ser útil y agradable sin ser evidencia forense de lo que captó el sensor. Cuanto más depende la tarea de la exactitud —medicina, documentos, pruebas—, menos basta con preguntar si el resultado se ve bien.

Calidad y cobertura no son la misma medida

Una cuadrícula con veinte muestras espectaculares solo responde a una pregunta: el sistema puede producir al menos esos ejemplos. No revela cuántos intentos se descartaron, si repite variantes de los mismos rostros ni si recuerda imágenes del entrenamiento. Una evaluación seria necesita un conjunto de pruebas y un protocolo reproducible.

El trabajo de 2017 que introdujo la Fréchet Inception Distance (FID) compara estadísticas de características extraídas de imágenes reales y generadas. Un FID menor puede ser útil cuando modelos, datos, preprocesamiento y número de muestras son comparables. No es una nota universal de realismo: resume las distribuciones mediante una aproximación concreta, depende del extractor y del protocolo, y no autoriza a comparar cifras calculadas con tuberías distintas.

Otro trabajo de NeurIPS separó explícitamente precisión y cobertura para modelos generativos. En esta lectura, la precisión pregunta qué proporción de las muestras generadas cae cerca de la distribución real: aproxima fidelidad. La cobertura o recall pregunta cuánto del espacio real alcanza el generador: aproxima diversidad. Un modelo puede mejorar una sacrificando la otra. Por eso «nuestro resultado es más realista» queda incompleto sin la métrica, el conjunto, el tamaño de muestra, la referencia y el intervalo de variación.

La memorización exige otra prueba. Conviene buscar vecinos cercanos de las salidas dentro del conjunto de entrenamiento, repetir el análisis en datos no vistos y comprobar si ciertos grupos aparecen con frecuencia desproporcionada. Para una aplicación, la prueba decisiva puede ser aún distinta: medir si los datos sintéticos mejoran una tarea posterior evaluada sobre datos reales reservados. Ninguna captura seleccionada sustituye esas comprobaciones.

Difusión no significa sustitución universal

Los modelos probabilísticos de difusión de 2020 aprendían a invertir gradualmente un proceso de ruido. En 2021, «Diffusion Models Beat GANs on Image Synthesis» mostró que una versión mejorada obtenía resultados competitivos o superiores en bancos de imágenes concretos y estudió el compromiso entre calidad y diversidad. Fue una comparación experimental con configuraciones y métricas definidas, no una ley que jubilara toda GAN.

La diferencia operativa ayuda a elegir. Una GAN genera normalmente con una pasada del generador después del entrenamiento; una difusión clásica realiza una secuencia de pasos de eliminación de ruido, aunque la investigación reduzca ese número. Esa latencia puede favorecer a las GAN en vídeo, restauración o sistemas interactivos. La difusión ha ganado protagonismo en generación de imágenes de propósito amplio, mientras las GAN siguen siendo una opción en problemas donde velocidad, traducción entre dominios o un diseño especializado pesan más. «Qué familia gana» carece de respuesta sin tarea, hardware, calidad exigida y presupuesto de inferencia.

Una lista para leer la próxima demostración

Primero, identifica el dato de comparación: conjunto, resolución, preprocesamiento, número de muestras y línea base. Segundo, separa fidelidad de diversidad; una sola puntuación o una galería no cubren ambas. Tercero, busca una prueba de memorización y resultados por subgrupos, no solo el promedio. Cuarto, exige evaluación sobre datos reales no vistos si se promete utilidad práctica. Quinto, compara tiempo, memoria y energía por muestra con el mismo hardware. Sexto, pregunta de dónde salen los datos y cómo se indicará que el resultado es sintético.

Este último punto evita una confusión fundamental: el discriminador de una GAN es una pieza de entrenamiento, no un verificador universal de autenticidad. Que una salida engañe a ese rival no prueba que proceda de una cámara ni que engañe a cualquier persona o detector futuro. La calidad perceptual, la verdad documental y la procedencia son problemas distintos.

La lección de 2014 sigue viva precisamente porque admite esa lectura sobria. El juego adversarial enseñó una forma potente de aproximar distribuciones complejas, y sus fallos enseñaron a no confundir una muestra brillante con un modelo completo. Ante el próximo «indistinguible de lo real», la respuesta competente no es creer ni negar: es preguntar indistinguible para quién, medido cómo, con qué cobertura, contra qué datos y a qué coste.