KandiShop, sin reentrenamiento, eleva del 52% al 75% el parecido de los rostros generados por IA con el original
Una red neuronal coloca a la persona de una foto en una escena nueva, pero el rostro sale «casi igual» y la inscripción del bote se convierte en un revoltijo de pseudoletras. KandiShop, de AIRI, repara la imagen ya generada sin reentrenar el modelo: redibuja el rostro o la etiqueta a partir de una referencia y no toca el resto. La similitud facial de FLUX.2 klein 9B según ArcFace subió del 52% al 75%, y la precisión de lectura del texto, del 76% al 84%. Se trata de un paso de posprocesado listo para usar con cualquier modelo.
Procesado por IA desde Habr AI; editado por Hamidun News
Subes a un generador la foto de una persona y le pides que la coloque en un bosque nevado. El resultado es una imagen bonita, pero tus amigos dicen: «Se parece, pero no eres tú». Con los productos pasa lo mismo: el logotipo y los colores del bote están en su sitio, pero la inscripción pequeña de la etiqueta se convierte en un puñado de garabatos.
El equipo de AIRI ha propuesto KandiShop, un método que corrige justo eso después de la generación y sin reentrenar el modelo. La métrica principal es ArcFace, una red neuronal de reconocimiento facial que evalúa la similitud entre dos imágenes (100% significa que es la misma persona). En FLUX.
2 klein 9B subió del 52% al 75%. Para quienes desarrollan sesiones de fotos, publicidad y tiendas online, es una forma de lograr un resultado reconocible y legible sin cambiar el generador principal.
El modelo sabe copiar, pero su creatividad le estorba
Los modelos in-context actuales (FLUX.2, Qwen-Image-Edit, HunyuanImage 3, y los comerciales Nano Banana y GPT Image) reciben una foto y una instrucción de texto y dibujan el resultado directamente. Antes, para lograrlo se reentrenaba el modelo con una decena de fotografías de la persona (DreamBooth, LoRA) o se conectaba un codificador de rostros aparte. Ahora basta con una sola imagen, pero la precisión se resiente: el color del pelo y el óvalo de la cara se conservan, mientras que la forma de los ojos y la nariz y la leve asimetría se desdibujan.
La causa es que, en una sola pasada, el modelo resuelve dos tareas que tiran en direcciones opuestas: inventar la pose, la luz y la composición, y a la vez trasladar cada rasgo del rostro y cada letra. Cuando tiene que elegir, sacrifica la segunda. Los autores comprobaron que el problema no es una falta de «memoria»: ante la instrucción «haz una copia exacta», la similitud facial según ArcFace fue del 96,5–97,1%, y el texto de los envases se reconoció con una precisión (OCR F1) de hasta el 92%. Sin embargo, en una escena nueva con varias personas, la similitud cae al 24–60%. La conclusión es que hay que separar las tareas.
Cómo funciona KandiShop
El método actúa después de la generación. La entrada es la imagen ya generada y una foto de referencia; la salida es la misma imagen con el rostro o la etiqueta corregidos. Los pesos del modelo no se tocan: solo se modifica el camino por el que convierte el ruido en imagen.
Primero se recorta un fragmento grande alrededor del rostro o del producto: en el encuadre completo, el rostro ocupa solo el 5–10% de los tokens y el fondo ahoga la edición. Después se alinea la referencia con el fragmento: en el caso de los rostros, mediante cinco puntos clave (ojos, nariz, comisuras de la boca); en el de los productos, con el detector Grounding DINO, la segmentación SAM y la correspondencia de puntos SIFT. A continuación, el fragmento se vuelve a procesar con eliminación de ruido mediante dos flujos dentro de un mismo transformer.
El primero ve el recorte original y mantiene la pose, el fondo y la luz. El segundo ve la referencia alineada y «sabe» cómo son el rostro o las letras. Tras cada bloque, los flujos se mezclan según la máscara del objeto, de modo que los bloques siguientes ajustan el rostro a la escena.
Para que el rostro no llegue con la luz de la referencia (por ejemplo, una luz doméstica cálida en una niebla fría), dentro de la máscara se ajustan el color y el contraste de sus rasgos a los de la escena con la técnica AdaIN. En los productos se desactiva, porque difumina el texto pequeño. El control principal es denoise, la fracción del recorrido de eliminación de ruido que se vuelve a recorrer: 0,5–0,75 para la mayoría de los casos y 1,0 para sustituir por completo la cabeza o el producto. El fragmento terminado se pega de nuevo en su sitio y el resto de la imagen queda píxel por píxel igual.
Qué muestran las mediciones
Con 100 rostros de FFHQ en escenas con varias personas, la similitud de FLUX.2 klein 9B subió del 52% al 75%. En Qwen-Image-Edit el aumento es mayor, del 24% al 66%, y en HunyuanImage 3.0, del 49% al 84%. A modo de comparación, Nano Banana Pro logra un 57% y GPT Image 2 High, un 86%. La evaluación de la calidad general de la imagen (HPSv3) casi no cambia, es decir, la imagen no empeora.
Con los productos se probaron 32 envases en 320 escenas. En FLUX.2 klein 9B, la precisión de lectura del texto subió del 76% al 84%, y la proporción de caracteres erróneos (CER) bajó del 65% al 51%. Es mejor que GPT Image 2 High (82%) y Nano Banana Pro (78%).
El método no está atado a su propio generador. Las imágenes de Nano Banana Pro se pasaron por KandiShop con FLUX.2 klein 9B: la similitud facial subió del 57% al 76% y la precisión del texto, del 78% al 83%. En una comparación a ciegas, siete jueces VLM consideraron más natural la sustitución de la cabeza o del producto con KandiShop en el 76% de los casos frente a la sustitución «nativa».
Salvedades y conclusión práctica
Los rostros de FFHQ pueden haber formado parte de los datos de entrenamiento de los modelos, así que con personas nuevas las cifras podrían ser distintas. El método requiere detectores adicionales y una segunda pasada por cada fragmento, y si el recorte y la referencia se alinean mal, el resultado se resiente. Por ahora, el código abierto solo incluye la versión para FLUX.2 klein 9B.
Conclusión práctica: en lugar de reentrenar un LoRA para cada usuario, se puede añadir un paso de posprocesado que repare rostros y etiquetas después de cualquier modelo, incluidas las API comerciales.
- 18 nov 2026Sciforium acelera DeepSeek-V4.1-Flash en AMD hasta 1 129 tokens por segundo
- 18 nov 2026Una sola coma china hizo que DeepSeek respondiera en chino en el 94% de los casos
- 18 nov 2026Microsoft lanza el modelo de código MAI Code 2: el 98% de la calidad de GPT-6.1 Sol por el 40% del precio
- 18 nov 2026AWS lanza SMART: un agente de WhatsApp sobre AgentCore se despliega con un solo comando
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre El modelo sabe copiar, pero su creatividad le estorba?
Los modelos in-context actuales (FLUX.2, Qwen-Image-Edit, HunyuanImage 3, y los comerciales Nano Banana y GPT Image) reciben una foto y una instrucción de texto y dibujan el resultado directamente. Antes, para lograrlo se reentrenaba el modelo con una decena de fotografías de la persona (DreamBooth, LoRA) o se conectaba un codificador de rostros aparte.
Cómo funciona KandiShop?
El método actúa después de la generación. La entrada es la imagen ya generada y una foto de referencia; la salida es la misma imagen con el rostro o la etiqueta corregidos. Los pesos del modelo no se tocan: solo se modifica el camino por el que convierte el ruido en imagen. Primero se recorta un fragmento grande alrededor del rostro o del producto: en el encuadre completo, el rostro ocupa solo el 5–10% de los tokens y el fondo ahoga la edición.
¿Qué se sabe sobre Qué muestran las mediciones?
Con 100 rostros de FFHQ en escenas con varias personas, la similitud de FLUX.2 klein 9B subió del 52% al 75%. En Qwen-Image-Edit el aumento es mayor, del 24% al 66%, y en HunyuanImage 3.0, del 49% al 84%. A modo de comparación, Nano Banana Pro logra un 57% y GPT Image 2 High, un 86%. La evaluación de la calidad general de la imagen (HPSv3) casi no cambia, es decir, la imagen no empeora. Con los productos se probaron 32 envases en 320 escenas.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.