A Large-scale Evaluation of Text-guided Models for Facial Editing

Imagina a un artista digital que puede cambiar el color de pelo de una persona, añadirle un par de gafas o hacer que gire la cabeza para mirar al horizonte, todo con solo escribir una frase sencilla en un ordenador. Esta es la promesa de la edición de imágenes guiada por texto, un campo en rápido crecimiento donde la inteligencia artificial aprende a comprender el lenguaje humano y a aplicar esas instrucciones a las fotografías. Durante años, los investigadores han desarrollado sistemas capaces de realizar estas hazañas, pero a menudo se enfrentaban a un desafío específico: lograr que la persona de la foto siguiera pareciéndose a sí misma mientras se realizaban los cambios solicitados. Los métodos antiguos podían o bien alterar demasiado el rostro, volviéndolo irreconocible, o bien solo podían realizar ajustes muy limitados, como cambiar el ángulo de la cabeza. Ahora, ha surgido una nueva generación de herramientas que afirma resolver estos problemas, ofreciendo la capacidad de realizar ediciones complejas y realistas basadas en instrucciones de texto. Pero a medida que estas herramientas se vuelven más potentes, queda una pregunta crítica: ¿funcionan igual de bien para todos, o tienen fallos ocultos que tratan de manera injusta a diferentes grupos de personas?

Un equipo de investigadores se propuso responder a esta pregunta poniendo a prueba los seis modelos de edición guiada por texto más populares. No se limitaron a pedir a los ordenadores que realizaran unos pocos cambios aleatorios; llevaron a cabo una evaluación masiva y sistemática que involucró casi un millón de ediciones de imágenes. El objetivo era ver qué tan bien podían estos modelos manejar una secuencia de cuatro instrucciones diferentes consecutivas, como cambiar el color de pelo de una persona, luego añadir un sombrero, luego cambiar el sombrero y, finalmente, girar su cabeza. Para ello, los investigadores crearon una nueva y extensa biblioteca de 169 tareas de edición específicas centradas en el cabello, los accesorios y la posición de la cabeza. Probaron los modelos en dos grandes colecciones de fotos de celebridades, asegurando una mezcla diversa de hombres y mujeres, jóvenes y mayores, y personas con tonos de piel claros y oscuros.

Los resultados revelaron un panorama claro de la situación actual de estas tecnologías. Los modelos demostraron ser bastante capaces de manejar cambios en el cabello y los accesorios. Cuando se les pedía cambiar un peinado o añadir unas gafas de sol, la mayoría de los sistemas funcionaban bien, siguiendo las instrucciones con éxito mientras mantenían el rostro de la persona reconocible. Sin embargo, los mismos modelos tuvieron dificultades significativas cuando se les pidió cambiar la pose de una persona, como hacer que mirara hacia la izquierda o hacia la derecha. En estos casos, los sistemas a menudo fallaban al seguir la orden o alteraban el rostro de formas que hacían que la persona fuera irreconocible.

Quizás más preocupante fue el descubrimiento de que todos los modelos tendían a "sobreeditar". Esto significa que, al recibir una instrucción específica, el ordenador a menudo cambiaba cosas que no se le habían pedido. Por ejemplo, si un usuario pedía al modelo cambiar el peinado de una persona por un corte tipo bob, el modelo podría también cambiar el color del pelo a castaño, aunque el usuario nunca hubiera solicitado un cambio de color. Los investigadores descubrieron que esto sucedía con frecuencia, con los modelos realizando unos 25 cambios adicionales no deseados por cada 100 instrucciones dadas. Estos errores no eran aleatorios; a menudo derivaban de que los modelos aprendían asociaciones incorrectas, como creer que un peinado específico siempre va acompañado de un color de pelo determinado.

El estudio también descubrió sesgos significativos en la forma en que estos modelos trataban a diferentes personas. La sobreedición no se distribuía de manera uniforme entre todos los rostros. Los modelos tenían muchas más probabilidades de realizar cambios no deseados al editar los rostros de hombres, particularmente aquellos con tonos de piel oscuros, y al editar los rostros de personas mayores. Por ejemplo, al editar el cabello de un hombre de piel oscura, el sistema era mucho más propenso a cambiar accidentalmente otros rasgos, como añadir vello facial o alterar el tono de la piel, en comparación con cuando editaba el rostro de una mujer de piel clara. Del mismo modo, los modelos eran menos exitosos al preservar la identidad de los rostros de personas mayores, haciendo que parecieran más jóvenes o cambiando sus rasgos de forma más drástica que los de las personas más jóvenes.

Estos hallazgos sugieren que, si bien las herramientas de edición guiada por texto se están volviendo lo suficientemente potentes para su uso en el mundo real, aún no son perfectas. Funcionan bien para tareas sencillas como añadir un sombrero o cambiar el color de pelo, pero todavía luchan con movimientos más complejos y conllevan sesgos ocultos que pueden conducir a resultados injustos o inexactos para ciertos grupos. Los investigadores enfatizan que el trabajo futuro debe centrarse en corregir estos hábitos de sobreedición y asegurar que la tecnología trate cada rostro con el mismo nivel de precisión y respeto, independientemente de la edad, el género o el tono de piel. Hasta que estos problemas se resuelvan, los usuarios deben tener en cuenta que estos artistas digitales todavía están aprendiendo, y que a veces pueden cambiar más de lo que se les pide.