La inteligencia artificial generativa (IA), incluyendo modelos como Stable Diffusion, Midjourney y DALL-E, a menudo tiene dificultades para producir imágenes consistentes, especialmente cuando se trata de detalles como la simetría facial y la representación adecuada de los dedos. Estos modelos generalmente generan imágenes cuadradas, lo que lleva a problemas cuando se les asigna la tarea de crear imágenes en diferentes relaciones de aspecto, resultando en anomalías como dedos adicionales o formas distorsionadas. Para abordar estos problemas, los científicos informáticos de la Universidad de Rice han desarrollado ElasticDiffusion, un método novedoso que aprovecha modelos de difusión preentrenados. Moayed Haji Ali, un estudiante de doctorado en Rice, presentó este método en la Conferencia IEEE 2024 sobre Visión por Computadora y Reconocimiento de Patrones en Seattle. Haji Ali explicó que los modelos de difusión tradicionales solo pueden generar imágenes a una resolución específica, lo cual es una consecuencia del sobreajuste, donde un modelo de IA rinde bien en datos familiares pero tiene dificultades con las variaciones.

ElasticDiffusion mejora el enfoque separando la información local y global durante la generación de imágenes, en lugar de combinarlas. Esta separación ayuda a evitar las imperfecciones visuales que surgen de datos repetitivos al adaptarse a imágenes no cuadradas. Haji Ali señaló que el proceso implica inicialmente obtener una puntuación global que encapsula la estructura general de la imagen, seguida de rellenar los detalles a nivel de píxel en secciones. Este método permite la generación de imágenes más claras en diversas relaciones de aspecto sin necesidad de entrenamiento adicional del modelo. Aunque ElasticDiffusion ofrece una mayor consistencia y adaptabilidad en la generación de imágenes, tiene una desventaja: actualmente requiere de 6 a 9 veces más tiempo para crear imágenes en comparación con los modelos de difusión convencionales. Haji Ali tiene como objetivo optimizar el método para lograr tiempos de inferencia equivalentes mientras mantiene la capacidad de generar imágenes de alta calidad independientemente de la relación de aspecto.