Qué es una GAN
Una GAN enfrenta dos redes, generadora y discriminadora, hasta que la imagen creada parece real; fue la arquitectura de DeepNude en 2019.
Una GAN (red generativa antagónica) es una arquitectura propuesta por Ian Goodfellow y colegas en 2014. Dos redes compiten: la generadora produce imágenes y la discriminadora intenta distinguirlas de fotos reales; con cada ronda, la generadora mejora. Fue la base de DeepNude (2019) y de los rostros sintéticos de StyleGAN; hoy los modelos de difusión la reemplazaron en la edición de fotos.
Cómo funciona una GAN
La red generadora recibe ruido aleatorio y devuelve una imagen. La red discriminadora recibe esa imagen junto con fotos reales y debe decir cuál es cuál. Cada acierto del discriminador corrige a la generadora; cada engaño corrige al discriminador. El entrenamiento termina cuando las imágenes creadas ya no se distinguen de las reales para esa segunda red.
| Componente | Función | Referencia |
|---|---|---|
| Generadora | Produce imágenes a partir de ruido o de otra imagen | Goodfellow y colegas, 2014 |
| Discriminadora | Distingue imágenes creadas de fotos reales | Goodfellow y colegas, 2014 |
| pix2pix | Variante condicional: transforma una imagen en otra (bocetos, mapas, ropa) | Isola y colegas, 2016 |
| StyleGAN | Rostros sintéticos de alta resolución; base de «esta persona no existe» | Karras y colegas, 2018 |
| Difusión | Supera a las redes antagónicas en calidad de imagen y diversidad | Dhariwal y Nichol, 2021 |
Las referencias son artículos científicos públicos; los enlaces están en la sección de fuentes.
De DeepNude a los modelos de difusión
DeepNude, la app de 2019 que abrió la categoría, se construyó sobre pix2pix: una red condicional entrenada con pares de fotos vestida/desnuda que aprendía a transformar la primera en la segunda. Los resultados eran borrosos, con anatomía repetida y fallos evidentes fuera de la pose frontal, porque el modelo solo podía imitar lo que había visto en sus pares de entrenamiento.
En 2021, Dhariwal y Nichol mostraron que los modelos de difusión superan a las redes antagónicas en calidad y diversidad, y en 2022 Stable Diffusion los hizo accesibles. Las herramientas actuales usan difusión con inpainting y guías de pose; el salto de calidad explica también el salto de riesgo.
Artefactos que delatan la primera generación
- Asimetrías: aretes distintos, ojos de tamaño desigual, dientes fusionados.
- Fondo deformado: líneas rectas que se curvan cerca de la figura.
- Pelo y bordes: mechones que se funden con el fondo, contornos borrosos.
- Texto ilegible: letras y logotipos convertidos en garabatos.
- Repetición: la misma anatomía o textura en imágenes distintas («colapso de modo»).
Estas señales sirven para reconocer imágenes antiguas; los modelos de difusión producen otras, más sutiles, descritas en detección de deepfakes.
Riesgos y límites
- Estimación: la red no ve lo que hay bajo la ropa; inventa a partir de sus pares de entrenamiento.
- Datos de entrenamiento: los pares vestida/desnuda de la primera generación se recopilaron sin consentimiento de las personas fotografiadas.
- Vigencia: la arquitectura sigue en uso para rostros sintéticos y retoque; en desnudo sintético fue desplazada por la difusión.
- Foto ajena: el riesgo legal no depende de la arquitectura sino de usar la imagen de un tercero sin permiso.
- Límite editorial: este sitio no ejecuta modelos ni recibe fotos; describe la técnica y reseña servicios de terceros.
En Chile
La arquitectura es neutra; la ley evalúa el uso. Difundir un desnudo sintético de una persona identificable sin su consentimiento puede caer en el artículo 161-C del Código Penal (Ley 21.153, 2019) o en el artículo 161-D (Ley 21.675, 2024), que sanciona exhibir o difundir un registro íntimo sin autorización expresa.
Subir la foto de un tercero al servicio que la procesa es, además, tratar un dato biométrico sin consentimiento según la Ley 21.719, vigente desde el 1 de diciembre de 2026. El Boletín 17.795-19 sobre deepfakes sigue en trámite. Esta entrada informa; no es asesoría legal.
Términos relacionados
- DeepNude: la app de 2019 construida sobre pix2pix.
- Stable Diffusion: el modelo de difusión que reemplazó a esta arquitectura en 2022.
- IA generativa: las cuatro familias de modelos y cómo conviven.
Herramientas relacionadas
Ninguna herramienta reseñada usa hoy esta arquitectura como motor principal; las fichas con puntaje y fecha de prueba están en el catálogo de apps para desnudar y el ranking en desnudar fotos con IA.
Preguntas frecuentes sobre GAN
¿Qué significa GAN?
Generative Adversarial Network, «red generativa antagónica»: dos redes neuronales que compiten, una creando imágenes y otra detectando cuáles son falsas, hasta que las creadas parecen reales.
¿Las apps para desnudar todavía usan esta arquitectura?
Las actuales usan modelos de difusión con inpainting. DeepNude (2019) sí se construyó sobre pix2pix, una variante condicional; sus resultados borrosos son el sello de esa primera generación.
¿Cómo reconozco una imagen hecha con esta técnica?
Aretes distintos, dientes fusionados, fondo con líneas curvadas, pelo fundido con el fondo y texto ilegible. Las imágenes de difusión fallan de otra forma, más sutil.
¿Qué diferencia hay con un modelo de difusión?
La red antagónica crea la imagen de una vez y aprende compitiendo con un detector; la difusión quita ruido paso a paso guiada por texto. Desde 2021 la difusión da mejor calidad y diversidad.
¿Es legal usar una GAN en Chile?
La técnica sí. Con la foto de otra persona sin consentimiento puedes incurrir en los artículos 161-C o 161-D del Código Penal si difundes el resultado, y en un tratamiento ilícito de datos biométricos.
Seguir leyendo
- Cómo detectar un deepfake: marcadores de las dos generaciones.
- Detección de deepfakes: métodos técnicos y sus límites.
- img2img: la técnica de imagen a imagen que heredó el enfoque de pix2pix.
- Deepfakes y ley en Chile: lo vigente y lo pendiente.
Fuentes
- Goodfellow y colegas (2014) — «Generative Adversarial Networks», arXiv 1406.2661: arxiv.org.
- Isola, Zhu, Zhou y Efros (2016) — «Image-to-Image Translation with Conditional Adversarial Networks» (pix2pix), arXiv 1611.07004: arxiv.org.
- Karras, Laine y Aila (2018) — «A Style-Based Generator Architecture for Generative Adversarial Networks» (StyleGAN), arXiv 1812.04948: arxiv.org.
- Dhariwal y Nichol (2021) — «Diffusion Models Beat GANs on Image Synthesis», arXiv 2105.05233: arxiv.org.
- Biblioteca del Congreso Nacional — Ley N.° 21.153, artículo 161-C del Código Penal: bcn.cl.
- Biblioteca del Congreso Nacional — Ley N.° 21.719 de protección de datos personales: bcn.cl.