💻 computer science

Low-Pass Filtering Improves Behavioral Alignment of Vision Models

Este estudio demuestra que aplicar un filtro de paso bajo (desenfoque) a las imágenes de entrada en modelos discriminativos mejora drásticamente su alineación con el comportamiento visual humano, cerrando la brecha de rendimiento con los observadores humanos al igualar la sensibilidad a frecuencias espaciales del sistema visual humano.

Autores originales: Max Wolff, Thomas Klein, Evgenia Rusak, Felix Wichmann, Wieland Brendel

Publicado 2026-02-17

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Max Wolff, Thomas Klein, Evgenia Rusak, Felix Wichmann, Wieland Brendel

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este paper es como una historia de detectives sobre por qué las computadoras "ven" el mundo de manera tan diferente a nosotros, los humanos.

Aquí tienes la explicación, traducida al español y con un toque de creatividad:

🕵️‍♂️ El Misterio: ¿Por qué las máquinas no piensan como nosotros?

Imagina que tienes dos amigos: Robo (una Inteligencia Artificial muy avanzada) y Juan (un humano normal). Les muestras una foto de un perro.

Juan dice: "¡Es un perro porque tiene esa forma redonda y orejas caídas!" (Se fija en la forma).
Robo dice: "¡Es un perro porque tiene ese pelaje marrón y moteado!" (Se fija en la textura).

Aunque Robo es muy inteligente y saca buenas notas en exámenes de visión, a menudo comete errores que Juan nunca cometería. Si cambiamos el pelaje del perro por el de un gato, Robo podría pensar que es un gato, mientras que Juan seguiría viendo un perro.

Los científicos querían saber: ¿Cómo podemos hacer que Robo piense más como Juan?

💡 La Teoría Antigua: "Necesitamos que Robo sea un artista"

Hace poco, otros investigadores descubrieron que un tipo especial de IA llamada Imagen (que crea imágenes en lugar de solo clasificarlas) se parecía mucho más a los humanos. Pensaron: "¡Aha! El secreto es que Imagen es un modelo 'generativo', como un artista que imagina cosas. Tal vez los humanos también necesitamos imaginar para ver bien".

🧪 El Nuevo Descubrimiento: "¡Es solo un filtro de gafas!"

Los autores de este paper (Max, Thomas y su equipo) dijeron: "Esperen un momento. ¿Y si no es porque Imagen es un artista, sino porque tiene unas gafas de sol muy oscuras?".

Resulta que, antes de procesar las imágenes, el modelo Imagen las redujo de tamaño (de 224x224 píxeles a solo 64x64).

La analogía: Imagina que intentas leer un periódico muy fino. Si lo acercas mucho a tus ojos, ves las letras perfectas. Pero si lo alejas o lo miras a través de un vidrio empañado, los detalles finos (las letras pequeñas) desaparecen y solo ves las formas grandes.
Al reducir la imagen, Imagen estaba haciendo un filtro de paso bajo (Low-Pass Filter). Básicamente, estaba borrando los detalles finos y dejando solo las formas generales.

🎨 La Prueba: "Borrando detalles mejora la visión"

Para probar su teoría, los científicos hicieron algo muy simple:

Tomaron modelos de IA normales (que no son generativos).
Les pusieron un "filtro" antes de que vieran la imagen.
Este filtro era simplemente desenfocar la imagen (hacerla borrosa) o reducir su tamaño justo antes de que la IA la analizara.

El resultado fue sorprendente:
Al hacer la imagen borrosa, la IA de repente empezó a pensar como un humano.

Dejó de obsesionarse con la textura (el pelaje).
Empezó a fijarse en la forma (la silueta).
¡Sus errores coincidieron mucho más con los errores de las personas!

De hecho, con solo ponerles un filtro de desenfoque, la IA superó a Imagen (el modelo generativo) y se acercó muchísimo a la visión humana.

👁️ ¿Por qué funciona esto? (La analogía de los ojos)

Los autores explican que esto tiene sentido biológico.

Nuestros ojos no son cámaras perfectas: La luz entra por la córnea y el cristalino, que actúan como un filtro natural. No vemos los detalles infinitamente nítidos; nuestro cerebro recibe una versión "suavizada" de la realidad.
El tiempo importa: En los experimentos, las imágenes se mostraban muy rápido (200 milisegundos). En ese tiempo tan corto, nuestro cerebro solo puede procesar las formas grandes y borrosas, no los detalles finos.
La conclusión: Al ponerle un filtro de desenfoque a la IA, los científicos le están diciendo: "Oye, no mires los detalles finos, mira la forma general, igual que lo hace el ojo humano cuando ve algo rápido".

🏆 El Gran Logro

Este estudio nos enseña dos cosas importantes:

No necesitamos que las IAs sean "artistas" (generativas) para que piensen como humanos. A veces, simplemente necesitamos limitar lo que ven (quitándoles los detalles finos).
La simplicidad gana: A veces, la solución más elegante no es entrenar a la IA durante años con millones de imágenes, sino simplemente ponerle unas "gafas" que le ayuden a ver el mundo como lo vemos nosotros.

En resumen: Para que una computadora vea como un humano, a veces hay que hacerle la vida un poco más borrosa. ¡Menos es más!

Aquí presento un resumen técnico detallado del artículo "Low-Pass Filtering Improves Behavioral Alignment of Vision Models", publicado en ICLR 2026.

1. Planteamiento del Problema

A pesar de su rendimiento sobresaliente en benchmarks de visión por computadora, las Redes Neuronales Profundas (DNN) fallan en modelar adecuadamente el comportamiento visual humano. Se han identificado dos discrepancias principales:

Falta de sesgo por forma (Shape Bias): Los humanos clasifican objetos basándose en su forma, mientras que las DNN tienden a depender de la textura.
Inconsistencia de errores (Error Consistency): Las DNN fallan en imágenes diferentes a las que fallan los humanos.

Recientemente, se observó que los modelos generativos (como Imagen) mostraban una alineación conductual mucho mayor con los humanos que los modelos discriminativos. La hipótesis previa sugería que esto se debía a la naturaleza generativa del objetivo de entrenamiento (inferencia inversa vs. inferencia directa). Sin embargo, los autores proponen una hipótesis alternativa: la mejora en Imagen podría deberse a una operación de redimensionamiento (downscaling) a una resolución baja (64x64 píxeles) durante el procesamiento, la cual actúa efectivamente como un filtro paso bajo (low-pass filter), eliminando información de alta frecuencia.

2. Metodología

Los autores diseñaron una serie de experimentos controlados para probar si el filtrado paso bajo en el momento de la prueba (test-time) es la causa real de la mejora en la alineación, en lugar del objetivo generativo o el entrenamiento con imágenes borrosas.

Transformaciones Aplicadas:
- Desenfoque (Blur): Aplicación de un filtro Gaussiano a las imágenes de entrada antes de la clasificación.
- Redimensionamiento (Resize): Reducción de la resolución de la imagen (simulando el proceso de Imagen) y posterior aumento de nuevo a la resolución original.
- Filtros Óptimos en Espacio de Fourier: Entrenamiento de un filtro en el dominio de Fourier mediante descenso de gradiente para maximizar directamente la consistencia de errores con los humanos, sin restricciones de simetría rotacional inicial.
Modelos Evaluados:
- Se utilizaron modelos discriminativos de última generación, principalmente la familia OpenCLIP (ViT-B, ViT-L, ViT-H, ViT-G) y otros modelos como ResNet, SWSL y BiT.
- Se evaluaron en el benchmark Model-vs-Human (MvH), que mide tres métricas clave:
  1. Consistencia de Errores (EC): Grado de acuerdo en qué imágenes fallan el modelo y los humanos (medido con la kappa de Cohen).
  2. Sesgo por Forma (SB): Tendencia a clasificar basándose en la forma en lugar de la textura.
  3. Precisión Fuera de Distribución (OOD): Precisión general en las imágenes corruptas del benchmark.
Análisis Teórico:
- Se compararon los filtros aprendidos con la Función de Sensibilidad al Contraste (CSF) del sistema visual humano, específicamente para tiempos de presentación cortos (200 ms), donde la CSF se comporta más como un filtro paso bajo que como un filtro paso banda.
- Se calculó la frontera de Pareto de todas las soluciones óptimas posibles para el benchmark MvH, para determinar el límite teórico de rendimiento y la compensación (trade-off) entre precisión y alineación conductual.

3. Contribuciones Clave

Explicación de la Alineación de Modelos Generativos: Demostraron que la alta alineación de modelos como Imagen no se debe necesariamente a su objetivo generativo, sino a la baja resolución de entrada (64x64), que actúa como un filtro paso bajo.
Mejora mediante Filtrado en Test-Time: Mostraron que aplicar un filtro paso bajo (desenfoque o redimensionamiento) a modelos discriminativos estándar mejora drásticamente su alineación conductual, superando a los modelos generativos anteriores sin necesidad de reentrenamiento.
Optimización de Filtros: Aprendieron un filtro óptimo en el espacio de Fourier que resultó ser un filtro paso bajo, confirmando que esta es la estrategia óptima para la alineación.
Fundamento Fisiológico: Establecieron que los filtros paso bajo óptimos aproximan la CSF humana a tiempos de presentación cortos (200 ms), sugiriendo que las DNN fallan porque procesan información de alta frecuencia que el ojo humano no percibe en esas condiciones.
Análisis de la Frontera de Pareto: Calcularon la frontera de soluciones Pareto-óptimas para el benchmark MvH, revelando que existe una compensación inherente entre la precisión OOD y la consistencia de errores, y que el benchmark aún no está saturado.

4. Resultados Principales

Rendimiento en Consistencia de Errores (EC):
- Un modelo OpenCLIP ViT-H-14 estándar obtuvo una EC de 0.28.
- Al aplicar un desenfoque Gaussiano con $\sigma = 2.5$ píxeles, la EC aumentó a 0.37.
- Al redimensionar a 64x64, la EC fue de 0.35.
- Estos valores superan el récord anterior de Imagen (0.31) y reducen a la mitad la brecha de alineación entre DNN y observadores humanos.
Sesgo por Forma (SB):
- El filtrado paso bajo aumentó el sesgo por forma de 0.60 (modelo base) a 0.96 (con desenfoque), acercándose al rendimiento humano (0.96).
Generalización:
- La mejora se observó en casi todos los modelos probados (ResNet, ViT, etc.), siendo particularmente fuerte en modelos con tamaños de parche pequeños (14x14), que son más propensos a depender de texturas de alta frecuencia.
Trade-off Precisión-Alineación:
- Hubo una caída moderada en la precisión OOD (aprox. 3-6 puntos porcentuales), lo cual es aceptable dado el gran salto en la alineación conductual.
- La frontera de Pareto calculada muestra que el máximo teórico de EC es 0.674, lo que requiere una precisión OOD de 0.67. Esto indica que aún hay margen para mejorar la alineación sin sacrificar completamente la precisión.

5. Significado e Implicaciones

Este trabajo tiene implicaciones profundas para la visión por computadora y la neurociencia computacional:

Reevaluación de la Arquitectura vs. Preprocesamiento: Sugiere que la complejidad de los objetivos generativos podría no ser necesaria para lograr una alineación conductual con los humanos; un preprocesamiento simple que imite la óptica del ojo humano es suficiente.
Modelado del Sistema Visual: Confirma que el sistema visual humano actúa como un filtro paso bajo a tiempos de presentación cortos (200 ms) y que las DNN deben ser "alimentadas" con datos que respeten esta limitación fisiológica para comportarse como humanos.
Dirección Futura: Propone que la alineación conductual puede mejorarse mediante la limitación de la información de entrada (filtrado) en lugar de solo aumentar la capacidad del modelo o cambiar el objetivo de entrenamiento. Esto desafía la noción de que "más datos" o "objetivos generativos" son la única vía hacia modelos de visión más robustos y humanos.

En resumen, el artículo demuestra que simplemente desenfocar las imágenes antes de que un modelo discriminativo las procese es una estrategia poderosa y fisiológicamente fundamentada para alinear el comportamiento de las máquinas con la percepción humana.