---
id: CP-267
slug: modelos-difusion-imagenes-ruido
lang: es
title: Modelos de difusión
description: Cómo una IA parte de un ruido aleatorio para producir una imagen, y qué puede comprobar el empleado antes de reenviar o subir un archivo.
canonical_url: https://startbrain.io/cyberpedia/es/articles/modelos-difusion-imagenes-ruido/
markdown_url: https://startbrain.io/cyberpedia/es/articles/modelos-difusion-imagenes-ruido.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: Brain, «Modelos de difusión», Cyberpedia, 2026. https://startbrain.io/cyberpedia/es/articles/modelos-difusion-imagenes-ruido/ (CC BY 4.0)
wing: 4
theme: understand_ai
reflex: air-001
schema: G3
updated: "2026-11-10"
translations:
  es: https://startbrain.io/cyberpedia/es/articles/modelos-difusion-imagenes-ruido/
  fr: https://startbrain.io/cyberpedia/fr/articles/modeles-diffusion-images-bruit/
  en: https://startbrain.io/cyberpedia/en/articles/diffusion-models-image-generation/
  de: https://startbrain.io/cyberpedia/de/articles/diffusionsmodelle-bilder-aus-rauschen/
  it: https://startbrain.io/cyberpedia/it/articles/modelli-diffusione-immagini-rumore/
  nl: https://startbrain.io/cyberpedia/nl/articles/diffusiemodellen-afbeeldingen-uit-ruis/
  pl: https://startbrain.io/cyberpedia/pl/articles/modele-dyfuzyjne-obrazy-z-szumu/
  pt: https://startbrain.io/cyberpedia/pt/articles/modelos-difusao-imagens-ruido/
  ja: https://startbrain.io/cyberpedia/ja/articles/kakusan-moderu-gazo-zatsuon/
sources:
  - "n": 1
    title: Deep Unsupervised Learning using Nonequilibrium Thermodynamics
    publisher: arXiv
    url: https://arxiv.org/abs/1503.03585
    published: "2015-03-12"
    accessed: "2026-11-10"
  - "n": 2
    title: Denoising Diffusion Probabilistic Models
    publisher: arXiv
    url: https://arxiv.org/abs/2006.11239
    published: "2020-06-19"
    accessed: "2026-11-10"
  - "n": 3
    title: "Reducing Risks Posed by Synthetic Content: An Overview of Technical Approaches to Digital Content Transparency"
    publisher: NIST
    url: https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-4.pdf
    published: "2024-11-18"
    accessed: "2026-11-10"
  - "n": 4
    title: Score-Based Generative Modeling through Stochastic Differential Equations
    publisher: arXiv
    url: https://arxiv.org/abs/2011.13456
    published: "2020-11-26"
    accessed: "2026-11-10"
  - "n": 5
    title: Denoising Diffusion Implicit Models
    publisher: arXiv
    url: https://arxiv.org/abs/2010.02502
    published: "2020-10-06"
    accessed: "2026-11-10"
  - "n": 6
    title: High-Resolution Image Synthesis with Latent Diffusion Models
    publisher: arXiv
    url: https://arxiv.org/abs/2112.10752
    published: "2021-12-20"
    accessed: "2026-11-10"
  - "n": 7
    title: Classifier-Free Diffusion Guidance
    publisher: arXiv
    url: https://arxiv.org/abs/2207.12598
    published: "2022-07-26"
    accessed: "2026-11-10"
  - "n": 8
    title: Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding
    publisher: arXiv
    url: https://arxiv.org/abs/2205.11487
    published: "2022-05-23"
    accessed: "2026-11-10"
  - "n": 9
    title: Extracting Training Data from Diffusion Models
    publisher: arXiv
    url: https://arxiv.org/abs/2301.13188
    published: "2023-01-30"
    accessed: "2026-11-10"
---

# Modelos de difusión

Un modelo de difusión fabrica una imagen partiendo de un ruido aleatorio, que va afinando paso a paso hasta obtener una imagen conforme a la instrucción [3]. Para aprender a hacerlo, sigue el camino inverso: se estropean imágenes añadiéndoles ruido y el modelo aprende a restaurarlas. La idea de partida, publicada en 2015, consiste en destruir de forma sistemática y lenta la estructura de los datos mediante un proceso de difusión, y luego aprender el proceso inverso que la restaura [1]. En 2020, unos investigadores presentan con esta clase de modelos resultados de síntesis de imágenes de alta calidad [2].

Para un empleado, lo que está en juego es práctico. Estos modelos sirven para producir imágenes sintéticas realistas, que se pueden recibir por mensaje o fabricar en una herramienta pública. El NIST, el instituto estadounidense de normas, señala que la IA generativa sabe producir imágenes, texto, audio y vídeo realistas, lo que plantea nuevos riesgos para la confianza en la información digital [3].

## En 30 segundos

- Dónde ocurre: en una imagen o un vídeo recibido por mensaje, en una red social o en un documento, y en las herramientas públicas de generación de imágenes en las que se pueden subir archivos.
- Qué está en juego: el NIST cita entre los riesgos el daño a la integridad de la información, el fraude (incluida la suplantación de identidad) y el engaño a personas mediante voces, imágenes o vídeos sintéticos [3].
- El reflejo: antes de reenviar una imagen o un vídeo, comprobar su procedencia; no subir nunca imágenes confidenciales ni rostros de colegas a una herramienta pública.
- Si ya lo ha hecho: avisar sin demora al equipo de seguridad de la empresa, indicando la herramienta utilizada y lo que se subió.

## Preguntas directas

### ¿Qué es un modelo de difusión?

Es un modelo generativo que produce datos, aquí imágenes, invirtiendo un difuminado progresivo. El principio se inspira en la física estadística fuera del equilibrio: se destruye la estructura de los datos mediante una difusión repetida y luego se aprende a restablecerla [1]. DALL-E 2, Imagen y Stable Diffusion son modelos de difusión de imágenes [9].

### ¿Cómo aprende un modelo a limpiar el ruido?

Aprende haciendo lo contrario de lo que hará después. Se añade ruido a imágenes de entrenamiento, en pequeñas cantidades, hasta que solo queda ruido. El modelo aprende el proceso inverso, que restaura la estructura [1]. Los autores de un artículo de 2020 resumen la idea así: «Creating noise from data is easy; creating data from noise is generative modeling.» [4] Una vez entrenado, el modelo parte de un ruido aleatorio y lo afina poco a poco [3].

Esta limpieza requiere muchos pasos. Una variante llamada DDIM produce muestras de alta calidad de 10 a 50 veces más rápido, en tiempo de cálculo real, que el método de 2020, con el mismo procedimiento de entrenamiento [5].

### ¿Cómo guía un texto la imagen?

El texto sirve de instrucción durante la limpieza. Los modelos de difusión latente añaden al modelo capas llamadas de atención cruzada, que le permiten ser guiado por entradas como un texto; trabajan en el espacio latente de autocodificadores preentrenados, lo que reduce las necesidades de cálculo en comparación con los modelos que operan directamente sobre los píxeles [6]. El método llamado de guía sin clasificador entrena conjuntamente un modelo condicionado y otro no condicionado, y luego combina sus estimaciones para arbitrar entre calidad y diversidad de las muestras [7]. El modelo Imagen se apoya en grandes modelos de lenguaje generalistas para codificar el texto, y sus autores constatan que agrandarlos mejora la fidelidad de la imagen y su concordancia con el texto más que agrandar el modelo de imagen [8].

### ¿Se puede reconocer a simple vista una imagen generada?

No de forma fiable. Los indicios perceptibles (reflejos o sombras incoherentes con la iluminación, artefactos de mezcla con fondos) sirven sobre todo a los detectores [3]. El NIST recoge también un estudio de 2024, sobre las modalidades de audio, visual y audiovisual, que halla rendimientos cercanos al azar [3]. Los autores de Imagen hablan de un «unprecedented degree of photorealism» [8]. El NIST escribe además que la eficacia de muchos de los enfoques de transparencia de los contenidos aún no se ha examinado a fondo [3]. Un reflejo basado solo en el golpe de vista es, por tanto, frágil; la comprobación de la fuente lo es menos.

### ¿Puede una imagen contener una marca de origen?

A veces. El NIST describe dos vías para registrar el origen de un contenido: la marca de agua digital, que integra la información en el propio contenido, y el registro de metadatos, firmados o no [3]. Una marca de agua discreta es legible por una máquina y difícil de detectar para una persona; hace falta un detector, que tiene una probabilidad no nula de falsos positivos y de falsos negativos [3]. La ausencia de marca no prueba, pues, nada.

### ¿Puede un modelo devolver una imagen de su entrenamiento?

Sí. Unos investigadores han demostrado que los modelos de difusión memorizan imágenes de sus datos de entrenamiento y las restituyen en el momento de la generación [9].

## Cómo funciona

La cadena se resume en dos tiempos. En el entrenamiento, el modelo aprende a restaurar imágenes que se han difuminado [1]. En el uso, parte de un ruido aleatorio y lo afina paso a paso [3]; el texto proporcionado orienta el resultado [6][7].

Una formulación matemática más general describe el difuminado como una ecuación que transforma lentamente una distribución de datos compleja en una distribución conocida inyectándole ruido, y una ecuación inversa que retira ese ruido [4]. Este marco engloba enfoques anteriores de la generación por puntuaciones y de la difusión probabilística [4]. El lector no especialista no necesita las ecuaciones: basta con retener que la imagen nace de un ruido retirado por etapas.

El NIST describe el recorrido de un contenido sintético en tres tiempos: la creación, la publicación y luego el consumo, es decir, el momento en que las personas reciben, interpretan y actúan sobre el contenido [3]. El empleado interviene en los dos extremos: puede crear, al utilizar una herramienta, y consumir, al recibir una imagen.

## Lo que usted hace

- Antes de reenviar una imagen o un vídeo que sorprenda, averigüe de dónde procede: quién la publicó primero, en qué contexto y si el emisor puede confirmarlo por otro canal.
- Si el contenido lleva una marca de procedencia o metadatos, consúltelos sin tomarlos por una prueba completa: el NIST escribe que ninguna de estas técnicas ofrece por sí sola una solución completa [3].
- Ante una petición urgente apoyada en una voz o un vídeo (transferencia, accesos), compruébela por un medio distinto al de la petición. El NIST cita la clonación de voz entre los medios de lograr que alguien facilite una transacción fraudulenta [3].
- No suba nunca imágenes confidenciales (planos, documentos fotografiados, pantallas) a una herramienta pública de generación de imágenes.
- No suba nunca rostros de colegas. Unos investigadores han extraído de modelos de difusión fotografías de personas presentes en sus datos de entrenamiento [9].
- Si tiene dudas sobre un contenido recibido, transmítalo al equipo de seguridad en lugar de hacerlo circular.

## Las trampas

- El hiperrealismo. Los autores de Imagen anuncian un grado de fotorrealismo sin precedentes, y unos evaluadores humanos juzgan sus muestras a la par con los datos COCO en la concordancia entre imagen y texto [8]. Una imagen convincente no es una imagen auténtica.
- La falsa confianza. El NIST advierte de que la transparencia puede crear una falsa sensación de confianza, por ejemplo cuando un contenido parece legítimo según medidas técnicas pero se ha sacado de su contexto [3].
- Las herramientas de detección. Todavía no están en todas partes: el NIST escribe que la mayoría de estos enfoques pueden estar a años de un despliegue amplio en los dispositivos móviles [3].
- Los contenidos manipulados. El NIST escribe que imágenes, voces o vídeos sintéticos pueden servir para engañar a sistemas de autenticación biométrica o a personas [3].
- La memorización. Los investigadores concluyen que los modelos de difusión preservan mucho menos la privacidad que modelos generativos anteriores como las GAN [9]. Lo que contiene la base de entrenamiento puede, por tanto, volver a salir.

## Casos reales

### Enero de 2023: imágenes de entrenamiento extraídas de modelos de vanguardia

El 30 de enero de 2023, nueve investigadores publican un estudio sobre la extracción de datos de entrenamiento de modelos de difusión. Con un método que genera imágenes y luego filtra las que corresponden a datos de entrenamiento, extraen de modelos de vanguardia más de un millar, tanto fotografías de personas como logotipos de marcas registradas [9]. Los autores añaden que reducir estas vulnerabilidades puede requerir nuevos avances en el entrenamiento que protege la privacidad [9].

## Fuentes

1. arXiv, «Deep Unsupervised Learning using Nonequilibrium Thermodynamics», 12 de marzo de 2015. https://arxiv.org/abs/1503.03585 (consultado el 10 de noviembre de 2026)
2. arXiv, «Denoising Diffusion Probabilistic Models», 19 de junio de 2020. https://arxiv.org/abs/2006.11239 (consultado el 10 de noviembre de 2026)
3. NIST, «Reducing Risks Posed by Synthetic Content: An Overview of Technical Approaches to Digital Content Transparency», 18 de noviembre de 2024. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-4.pdf (consultado el 10 de noviembre de 2026)
4. arXiv, «Score-Based Generative Modeling through Stochastic Differential Equations», 26 de noviembre de 2020. https://arxiv.org/abs/2011.13456 (consultado el 10 de noviembre de 2026)
5. arXiv, «Denoising Diffusion Implicit Models», 6 de octubre de 2020. https://arxiv.org/abs/2010.02502 (consultado el 10 de noviembre de 2026)
6. arXiv, «High-Resolution Image Synthesis with Latent Diffusion Models», 20 de diciembre de 2021. https://arxiv.org/abs/2112.10752 (consultado el 10 de noviembre de 2026)
7. arXiv, «Classifier-Free Diffusion Guidance», 26 de julio de 2022. https://arxiv.org/abs/2207.12598 (consultado el 10 de noviembre de 2026)
8. arXiv, «Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding», 23 de mayo de 2022. https://arxiv.org/abs/2205.11487 (consultado el 10 de noviembre de 2026)
9. arXiv, «Extracting Training Data from Diffusion Models», 30 de enero de 2023. https://arxiv.org/abs/2301.13188 (consultado el 10 de noviembre de 2026)

---

Fuente original: Cyberpedia, la enciclopedia pública de ciberseguridad e IA publicada por Brain. Versión canónica: https://startbrain.io/cyberpedia/es/articles/modelos-difusion-imagenes-ruido/
Puede reutilizar este texto libremente bajo la licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), siempre que cite «Brain, Cyberpedia» con un enlace a la dirección anterior.
