1Un autoencoder comprime la imagen con un codificador hasta un cuello de botella de pocos números y la reconstruye con un decodificador. Se entrena sin etiquetas: el objetivo es la misma imagen. Sus copias salen borrosas, porque los detalles finos no caben.
2Los códigos forman un espacio latente donde las prendas parecidas quedan cerca: caminar entre dos códigos da una forma que se transforma, no dos imágenes encimadas. Entrenado con entradas ruidosas, el autoencoder aprende a quitar ruido.
3Una GAN enfrenta a un generador, que fabrica datos desde ruido, con un discriminador, que intenta distinguirlos de los reales. En el empate el discriminador dice 0,5 a todo. Es inestable y puede sufrir colapso de modos: producir solo algunas variedades de los datos.
4La difusión agrega ruido con un programa fijo y entrena una red que adivina ese ruido. Para generar, parte de ruido puro y lo quita paso a paso: del ruido sale un dato nuevo con la forma de los de entrenamiento.
5Con un modelo preentrenado, más pasos dan más calidad y más tiempo. Con la misma red, DDIM da imágenes limpias en 50 pasos donde DDPM todavía deja ruido.
6Los generadores grandes guían la difusión con texto. Traen riesgos reales: deepfakes, derechos de autor y sesgos. Una imagen generada se publica diciendo que lo es.