Steering Generative Models for Accessibility: EasyRead Image Generation

Resumen Técnico: Generación de Imágenes EasyRead mediante Modelos Generativos

1. El Problema

La comunicación accesible es fundamental para la participación social, especialmente para personas con discapacidades intelectuales, cognitivas o barreras lingüísticas. El marco EasyRead aborda esto mediante textos simplificados acompañados de pictogramas claros y visualmente simples.

Sin embargo, la producción de contenido EasyRead a gran escala enfrenta dos barreras principales:

• Costo y Esfuerzo: La creación manual de pictogramas alineados semánticamente requiere expertos, tiempo y recursos significativos.
• Limitaciones de los Modelos Actuales: Los modelos de generación de imágenes basados en difusión (como Stable Diffusion) tienden a producir imágenes con exceso de detalles visuales, complejidad estilística y falta de estabilidad, lo cual contradice los principios de EasyRead (minimalismo, alto contraste y representación inequívoca).

No existía previamente un enfoque que integrara modelos de difusión de última generación con métricas cuantitativas específicas para la accesibilidad cognitiva.

2. Metodología

Los autores proponen un pipeline unificado para generar pictogramas estilo EasyRead mediante la adaptación de un modelo de difusión. El proceso consta de las siguientes etapas:

• Curación y Aumento de Datos:

  • Se combinaron tres conjuntos de datos públicos: OpenMoji (emojis vectoriales), ARASAAC (pictogramas para comunicación aumentativa) y LDS (ilustraciones de accesibilidad).
  • Generación de Captions: Dado que los metadatos originales eran insuficientes, se utilizó el modelo BLIP (Large) para generar descripciones de texto natural basadas en los píxeles de las imágenes, capturando atributos visuales como cantidad de objetos, poses y colores.
  • Aumento de ARASAAC: Se aprovecharon las funciones de personalización de la API de ARASAAC para variar sistemáticamente el color de fondo, tono de piel y color de cabello durante el entrenamiento, permitiendo el control de estos atributos en la inferencia.

• Adaptación del Modelo (Fine-tuning con LoRA):

  • Se utilizó Stable Diffusion v1.5 como base.
  • Se aplicó Low-Rank Adaptation (LoRA) en las capas de atención del UNet. Esto permite adaptar el modelo al estilo de los pictogramas con un número mínimo de parámetros entrenables, manteniendo el modelo base congelado.
  • Se introdujo un token de instancia único (sks) en los prompts de entrenamiento para que el modelo aprenda a asociar este token con el estilo "EasyRead".

• Evaluación y Métricas (EasyRead Score - ERS):

  • Para superar la evaluación cualitativa tradicional, se formalizó un conjunto de métricas basadas en píxeles y semántica para cuantificar la "facilidad de lectura" (EasyReadness).
  • El EasyRead Score (ERS) es un promedio ponderado de seis sub-métricas normalizadas:
    1. Complejidad de Paleta ($s_{palette}$): Número de colores distintos (menos es mejor).
    2. Densidad de Bordes ($s_{edges}$): Cantidad de líneas finas (menos ruido visual).
    3. Concentración de Saliencia ($s_{saliency}$): Foco en un objeto dominante.
    4. Contraste Fondo-Primer Plano ($s_{contrast}$): Separación perceptual clara.
    5. Espesor de Trazo ($s_{stroke}$): Consistencia y legibilidad de los contornos.
    6. Error de Centrado ($s_{centering}$): Alineación del contenido principal.

3. Contribuciones Clave

1. Pipeline de Generación Accesible: Presentación del primer pipeline de código abierto escalable diseñado específicamente para la generación de pictogramas EasyRead mediante modelos de difusión.
2. Métricas Cuantitativas (ERS): Formalización del EasyRead Score, un marco reproducible y automático para evaluar la calidad y consistencia de imágenes accesibles, superando la dependencia exclusiva de estudios de usuarios costosos.
3. Adaptación Eficiente: Demostración de que el ajuste fino ligero (LoRA) sobre un corpus curado es suficiente para alinear modelos generativos de propósito general con estrictas restricciones de accesibilidad cognitiva.

4. Resultados

• Evaluación Cuantitativa:
  • El modelo ajustado con LoRA superó significativamente al modelo base (Stable Diffusion v1.5) en ambas métricas principales.
  • ERS: Aumentó de 0.40 (base) a 0.47, indicando imágenes más simples y alineadas con los principios de diseño.
  • Similitud CLIP: Mejoró de 24.33 a 31.15, demostrando una mayor fidelidad semántica con los prompts de entrada.
• Evaluación Cualitativa:
  • El modelo generó consistentemente atributos controlados (fondo, tono de piel, cabello) y figuras humanas simples.
  • En comparaciones visuales con sistemas comerciales de código cerrado (Global Symbols, Nano Banana Pro), el modelo propuesto mostró una mayor uniformidad estilística y adherencia a las instrucciones, aunque los sistemas comerciales a veces generaban variaciones estilísticas no deseadas.
• Limitaciones: El modelo aún tiene dificultades para preservar detalles en escenas complejas (ej. múltiples figuras humanas) y la variabilidad entre diferentes semillas (seeds) requiere generar múltiples muestras para seleccionar la mejor.

5. Significado e Impacto

Este trabajo cierra una brecha crítica entre la tecnología de IA generativa y las necesidades de accesibilidad cognitiva. Al demostrar que es posible "dirigir" (steer) modelos de difusión para cumplir con principios de diseño accesible mediante un ajuste fino eficiente, el estudio:

• Democratiza la creación de contenido: Permite a organizaciones y comunidades generar pictogramas de alta calidad de forma rápida y económica.
• Establece un estándar de evaluación: Introduce métricas objetivas que permiten comparar y mejorar futuros sistemas de generación de imágenes accesibles.
• Fomenta la inclusión: Facilita la producción masiva de materiales educativos, de salud y sociales adaptados para personas con discapacidades intelectuales y baja alfabetización.

En conclusión, el artículo valida que los modelos generativos modernos, cuando se adaptan correctamente con datos curados y métricas específicas, pueden convertirse en herramientas prácticas y escalables para la producción de contenido visual accesible.