La generación de texto a imagen se refiere a sistemas de IA que toman una descripción en lenguaje natural, o indicación, y producen una imagen correspondiente. La tarea combina el procesamiento del lenguaje natural para interpretar el texto con la visión por computadora y el modelado generativo para renderizar píxeles, y se convirtió en una de las aplicaciones más visibles de las redes generativas antagónicas y, más tarde, de los modelos de difusión.
Historia
Los primeros intentos en la década de 2010 utilizaron GAN condicionadas a incrustaciones de texto, produciendo imágenes pequeñas y borrosas limitadas a dominios estrechos como aves o flores. El campo cambió con el DALL-E de OpenAI en enero de 2021, que aplicó un transformador entrenado de forma autorregresiva sobre tokens de imagen, y con CLIP más tarde ese año, que dio a los investigadores una forma de puntuar cuán bien una imagen coincidía con un pie de foto y guiar la generación hacia ello. El verdadero avance fue el cambio a la difusión: DALL-E 2 (2022), Imagen de Google y, especialmente, el lanzamiento de código abierto de Stable Diffusion en agosto de 2022 hicieron que la generación de alta calidad fuera rápida y, en el caso de Stable Diffusion, ejecutable en GPU de consumo. Midjourney, accesible a través de Discord, construyó un producto distintivo centrado en la estética en torno a las mismas técnicas centrales, mientras que FLUX, lanzado por Black Forest Labs en 2024, se convirtió en un nuevo estándar de pesos abiertos.
Cómo funciona
La mayoría de los sistemas modernos se basan en un modelo de difusión latente: una imagen se comprime en un espacio latente compacto mediante un autoencoder, un codificador de texto convierte la indicación en una incrustación, y una red de eliminación de ruido transforma gradualmente ruido aleatorio en una imagen latente guiada por esa incrustación, que luego se decodifica en píxeles. Técnicas como la guía sin clasificador permiten a los usuarios intercambiar fidelidad a la indicación por diversidad de imágenes. ControlNet, introducido en 2023, añadió la capacidad de condicionar la generación a un boceto, pose o mapa de profundidad además del texto, dando un control más fino sobre la composición.
Cultura de indicaciones y herramientas
Debido a que la calidad de la salida es sensible a la redacción, surgió un cuerpo de artesanía informal en torno a escribir indicaciones efectivas, que cubre descripción del sujeto, estilo artístico, términos de cámara e iluminación, e indicaciones negativas para excluir elementos no deseados, un ejemplo temprano de lo que más tarde se llamaría ingeniería de indicaciones. Comunidades en Discord y Reddit compartieron fórmulas de indicaciones, y surgieron herramientas secundarias para ampliación, pintura interna y combinación de salidas. Los adaptadores LoRA hicieron práctico ajustar un modelo base a un personaje, estilo u objeto específico con un pequeño número de imágenes de ejemplo y cómputo modesto.
Recepción y críticas
Las herramientas de texto a imagen atrajeron una rápida adopción comercial en publicidad, arte conceptual y diseño de juegos, junto con una controversia sostenida. Los artistas objetaron modelos entrenados con imágenes extraídas sin consentimiento ni compensación, alimentando disputas más amplias de derechos de autor de IA y demandas contra varias empresas de generación de imágenes. Los críticos también plantearon preocupaciones sobre deepfakes, imágenes no consensuadas y la inundación de plataformas de imágenes de archivo y redes sociales con salida sintética de bajo esfuerzo, un fenómeno más tarde etiquetado como slop de IA. Los laboratorios respondieron con filtros de contenido, metadatos de procedencia y, en algunos casos, sistemas de marcas de agua de IA, aunque la aplicación sigue siendo inconsistente en todo el ecosistema.
Desarrollos posteriores
Para 2025, los modelos líderes podían seguir indicaciones más largas y compositivas, renderizar texto legible dentro de las imágenes y editar fotos existentes mediante instrucciones en lenguaje natural, reduciendo la brecha entre la generación de texto a imagen y la edición de imágenes de propósito general.