Sala 5 · Transformers · 2022
Imágenes a partir de texto
Imágenes a partir de texto (DALL·E 2, Midjourney y Stable Diffusion, 2022): Del ruido a una imagen que coincide con la descripción.
En 2022 los modelos de difusión llegaron al público. Aprenden a quitar ruido de a poco: parten de ruido puro y lo van limpiando hasta formar una imagen que coincide con el texto que se les dio.
La idea detrás de los modelos de difusión vino de la física. En 2015, Jascha Sohl-Dickstein y sus colegas propusieron entrenar un modelo para revertir un proceso gradual de adición de ruido a los datos. En 2020, Jonathan Ho, Ajay Jain y Pieter Abbeel demostraron que el enfoque podía generar imágenes de alta calidad, y el avance se aceleró.
La idea es esta. Toma una imagen de entrenamiento y agrégale un poco de ruido aleatorio, luego un poco más, paso a paso, hasta que solo queda estática. Se entrena una red neuronal para deshacer un paso a la vez: dada una imagen con ruido, predice ese ruido para poder quitarlo. Para generar una imagen nueva, se parte de ruido puro y se aplica la red muchas veces, de modo que la imagen va apareciendo poco a poco. Para que siga una descripción, al modelo también se le da en cada paso una representación del texto, aprendida de enormes colecciones de imágenes con sus descripciones.
En 2022 varios sistemas llevaron esto al público. OpenAI anunció DALL·E 2 en abril. Midjourney abrió una beta pública en julio. En agosto, Stability AI, en colaboración con investigadores de la Universidad Ludwig Maximilian de Múnich y Runway, lanzó Stable Diffusion con pesos abiertos, basado en el método de difusión latente del artículo citado aquí. Como trabajaba con una versión comprimida de la imagen, podía ejecutarse en una computadora doméstica con una buena tarjeta gráfica.
En pocos meses, millones de personas generaban imágenes escribiendo una frase. Las herramientas también abrieron conflictos que siguen sin resolverse: artistas y agencias de fotografía de archivo demandaron por el uso de sus imágenes en los datos de entrenamiento, y las imágenes generadas plantearon nuevas preguntas sobre desinformación y consentimiento. Puedes seguir esos debates en nuestra sección de Cultura.
La misma técnica ahora genera video, audio y objetos 3D.
Pregúntale a tu IA: describe una imagen en una frase para un modelo de difusión y luego pregunta qué palabras de tu frase tienen más peso y por qué.
Fuente: arxiv.org/abs/2112.10752
Verla en el museo →← Aprender de las preferencias humanas · ChatGPT →
Cómo citar: Nazareno, I. (2026). Imágenes a partir de texto (2022). New Mind Museum. Consultado el 17 de noviembre de 2026, en https://newmindmuseum.com/es/museo/imagenes-a-partir-de-texto-2022/