Modelo de difusión
Diffusion Model
¿Qué es el modelo de difusión?
- Genera imágenes eliminando ruido
- Ruido → imagen
- La corriente principal en la generación de imágenes actual
Lo que realmente cambió el modelo de difusión es que la imagen pasó de ser un «activo que se busca» a un «activo que se genera según la necesidad». Antes había que revisar bibliotecas de stock o agendar sesiones de estudio; ahora cambió por completo la estructura de costos de la etapa de borradores. El costo de generar una toma se reduce, en la práctica, al tiempo de cómputo, y por eso el equipo ya no se dedica a elegir una buena imagen, sino a generar decenas de opciones y luego seleccionar.
En la práctica hay que distinguir entre el enfoque que trabaja directamente con píxeles y el que trabaja en el espacio latente (latent). Los modelos de la familia Stable Diffusion eliminan el ruido en un espacio latente comprimido, por lo que logran la misma calidad con mucho menos cómputo. Los primeros modelos usaban 1,000 pasos, pero los muestreadores actuales producen una imagen con 20 a 50 pasos, y con técnicas de destilación se baja incluso a 1 a 4 pasos. La frontera con las GAN también es clara: las GAN generan en una sola pasada, lo que es rápido, pero su entrenamiento es inestable y los resultados tienden a concentrarse en un solo tipo; en cambio, el modelo de difusión, aunque requiere más pasos, ofrece más diversidad y control. Las herramientas de control son la semilla (seed), las entradas condicionales como ControlNet y el ajuste fino ligero como LoRA.
En la práctica, el error más frecuente es creer que «basta con escribir bien el prompt». Con la misma instrucción, si cambian la semilla o la versión del modelo se obtienen imágenes distintas; si no se registra la configuración, tres meses después no se podrá volver a crear una toma con el mismo tono. Tampoco conviene reemplazar la foto del producto por una imagen generada: si una toma sale con el logo borroso o con un número incorrecto de asas y llega a la página de producto, se convierte en un problema de publicidad engañosa y de devoluciones. Conviene fijar el límite: las imágenes generadas son borradores, fondos o tomas de apoyo, no sustitutas de la fotografía, y designar desde el principio a una persona responsable de la revisión final.
John KimAutor de «Diseño del marketing B2B» y CEO de Nanum Consultoría, instructor John Kim
Seungtae ParkInstructor práctico de AX que enseña desarrollo de negocio con IA y automatización de marketing, con herramientas propiasSe propuso en 2015 en investigaciones como la de Sohl-Dickstein y otros colegas, y se volvió práctica con el artículo DDPM de 2020. Desde entonces es la base de sistemas de generación de imágenes con IA, como DALL·E y Midjourney.
Veamos un caso hipotético. La empresa A, que vende electrodomésticos en línea, tiene 140 colaboradores y ventas anuales de unos KRW 90,000,000,000 (≈ US$67,362,200). Cada mes crea páginas de detalle para unos 30 productos nuevos; cada toma de fondo contratada a un fotógrafo externo costaba KRW 600,000 (≈ US$450) por toma y tardaba 2 semanas. Cuando el lanzamiento de nuevos productos del primer semestre se retrasó 3 semanas, el director de marketing pidió «explorar otras alternativas además de la fotografía».
- El jefe del equipo de marketing digital contó las 1,280 tomas de páginas de detalle de producto del último año y encontró que la mitad eran tomas de fondo o de ambiente que no mostraban el producto.
- Decidieron generar solo la mitad de esas tomas y, con un ajuste fino ligero (LoRA) entrenado con 300 fotos propias para igualar el tono, hicieron una prueba de operación durante un mes, en junio.
- En la primera revisión, el jefe de planificación de producto señaló que «el mango del refrigerador se ve doble», por lo que se fijó la regla de que las tomas en las que aparece el producto solo pueden ser fotografías reales.
- Los dos diseñadores establecieron el principio de registro reproducible, que guarda durante seis meses la versión del modelo, el prompt y la semilla, y lo administraron en una hoja de cálculo.
- Tres meses después, el plazo de las tomas de fondo bajó de 2 semanas a 1 día, el costo mensual de outsourcing se redujo en KRW 7,000,000 (≈ US$5,240) de un total de KRW 18,000,000, (≈ US$13,500) y el retraso en el lanzamiento de nuevos productos pasó de 3 semanas a 2 días.