Inversión de GAN
Sinónimos: GAN inversion · GAN inverso
Definición ampliada
La inversión de GAN parte de una imagen y busca un código en el espacio latente de una red generativa antagónica ya entrenada. Al introducir ese código en el generador, se intenta reconstruir la imagen de partida [1]. Es el recorrido inverso al uso habitual del generador, que parte de un código y produce una imagen.
«GAN inverso» designa aquí una tarea o un conjunto de métodos, no una nueva arquitectura universal. El código puede hallarse por optimización, mediante un codificador aprendido o combinando ambos enfoques.
Contexto histórico
La tarea ganó interés cuando se quiso editar imágenes reales con generadores entrenados. Zhu y colaboradores publicaron en 2020 un método que buscaba reconstruir una imagen manteniendo un código útil para cambios semánticos [2]. Una revisión posterior organizó las variantes y sus límites [1].
Importancia actual
A fecha de septiembre de 2026, la inversión permite estudiar qué imágenes puede representar un generador y experimentar con reconstrucción o edición. Una reconstrucción visualmente parecida no prueba que se hayan conservado rasgos pequeños o infrecuentes, que pueden ser decisivos en medicina.
Aplicaciones
Generales
- Editar características de una imagen después de proyectarla al espacio latente de un generador.
- Examinar los límites de representación de una GAN entrenada.
Sanitarias
- Investigar, en conjuntos autorizados, si un generador puede reconstruir imágenes médicas sin perder señales relevantes.
- Crear variantes sintéticas para probar un flujo de análisis; deben etiquetarse como simulaciones y evaluarse aparte de imágenes clínicas.
Limitaciones
- El generador puede no representar bien una imagen situada fuera de la distribución de entrenamiento.
- Mejorar la semejanza pixel a pixel puede dificultar la edición semántica posterior [2].
- La reconstrucción puede borrar lesiones pequeñas o introducir detalles inventados.
- No proporciona anonimización ni validez diagnóstica por sí misma.
Ejemplos
Un modelo entrenado con retratos recibe una fotografía nueva. El algoritmo busca un código que produzca un retrato parecido; después se modifica una dirección latente para ensayar un cambio de iluminación. Si el generador no representa bien un detalle de la fotografía, ese detalle puede perderse ya en la reconstrucción.