¿Tus ojos pueden ser engañados? Las matemáticas no. 🕵️‍♂️

A simple vista, distinguir entre una fotografía real y una generada por IA (Stable Diffusion, Midjourney) es cada vez más difícil. Pero si miramos “debajo del capó”, la física deja una huella que la IA aún no logra copiar perfectamente.

Me topé con este análisis fascinante sobre Gradient Fields y me pareció brillante porque no usa redes neuronales complejas, sino pura matemática clásica.

🧠 La lógica técnica:

Las fotos reales obedecen a la física de la luz y los sensores. Las imágenes sintéticas nacen de un proceso de “eliminación de ruido” (denoising), lo que deja inestabilidades en las altas frecuencias.

Aquí está el paso a paso matemático para detectarlo:

1️⃣ Luminancia (L): Primero, descartamos el color y nos quedamos con la estructura, usando coeficientes de percepción humana: L(x,y) = 0.2126R + 0.7152G + 0.0722B

2️⃣ Cálculo de Gradientes:

Aplicamos cálculo diferencial para medir cómo cambia la intensidad de la luz pixel a pixel (detectando bordes y texturas): Gx = ∂L / ∂x (Derivada horizontal) Gy = ∂L / ∂y (Derivada vertical)

3️⃣ Matriz de Covarianza:

Aquí ocurre la magia. Aplanamos los vectores de gradiente en una matriz M y calculamos su covarianza:

C = (1/N) · Mᵀ · M

📉 El resultado:

Al aplicar PCA (Análisis de Componentes Principales) sobre esta matriz, las imágenes reales y las falsas se separan en grupos distintos. Las reales muestran gradientes coherentes; las sintéticas revelan su naturaleza artificial. A veces, la respuesta no es “más IA”, sino volver a los fundamentos del Álgebra Lineal y la Estadística.

👇 Excelente aporte y gráficos por el autor original, Kavishka Abeywardhana: Kavishka Abeywardhana

#ArtificialIntelligence #ComputerVision #DataScience #MachineLearning #Math #DeepFakes #Python