Reporte Académico: Diseño e Implementación de una Red Generativa Adversaria (DCGAN) para la Generación de Imágenes con CIFAR-10

Alexander Oviedo Fadul

Maria Fernanda Ruiz Paipilla

Neheman Samir Jaller Cerchiaro

William David Obando Lopez

Yesith Stiven Vizcano Mican

Grupo 10

Especialización en Inteligencia Artificial

Corporación Universitaria Minuto de Dios (UNIMINUTO)

NRC-8773 — Visión por Computador — Semana 8

Profesor: Félix Julián Gutiérrez Bernal

Junio de 2026

Introducción

El presente reporte académico documenta el proceso de diseño e implementación de una Red Generativa Adversaria Convolucional Profunda (DCGAN, por sus siglas en inglés) desarrollada como actividad final del curso de Visión por Computador (NRC-8773). Esta actividad representa la culminación del recorrido formativo del periodo, integrando los conocimientos adquiridos a lo largo de las ocho semanas: desde el tratamiento básico de imágenes hasta las arquitecturas de redes neuronales convolucionales, pasando por la clasificación con CNN realizada en la Semana 7.

Las Redes Generativas Adversarias, propuestas originalmente por Goodfellow et al. (2014), constituyen uno de los avances más significativos en el campo del aprendizaje automático de la última década. Su capacidad para generar datos sintéticos realistas a partir de distribuciones aprendidas ha abierto posibilidades en ámbitos tan diversos como la generación de imágenes artísticas, la aumentación de datos para entrenamiento de modelos, la anonimización de información sensible y la simulación de escenarios para investigación científica.

El reporte se estructura en cuatro secciones principales. En primer lugar, se aborda el desarrollo teórico y práctico, dividido en una etapa de diseño — donde se describe la arquitectura de la red, el dataset empleado y las decisiones de ingeniería — y una etapa de implementación — donde se detallan las funciones de activación, los mecanismos de regularización y optimización, el flujo de datos y el código desarrollado. Posteriormente, se presentan los resultados obtenidos, incluyendo métricas de rendimiento y un collage de las imágenes generadas. Finalmente, se elaboran conclusiones sobre el alcance de los objetivos y la aplicabilidad profesional de esta tecnología.

El objetivo central de esta actividad es doble: por un lado, comprender la dinámica adversarial entre generador y discriminador que permite la síntesis de imágenes; por otro, desarrollar las competencias técnicas necesarias para implementar y evaluar este tipo de arquitecturas utilizando TensorFlow como framework principal, en línea con las herramientas trabajadas durante el curso.

Desarrollo

Utilidad de las redes generativas adversarias en el desempeño profesional

Antes de adentrarnos en los aspectos técnicos, conviene reflexionar sobre la relevancia de las GANs en el contexto profesional de los integrantes del equipo. Como estudiantes de la Especialización en Inteligencia Artificial, la capacidad de generar datos sintéticos realistas tiene implicaciones directas en múltiples escenarios.

En el ámbito de la transformación digital del sector público, por ejemplo, uno de los desafíos recurrentes es la escasez de datos etiquetados para entrenar modelos de procesamiento automático de documentos. Las GANs ofrecen una solución elegante: generar documentos sintéticos que mantengan las características estadísticas de los reales sin comprometer la confidencialidad de la información ciudadana. A decir verdad, cuando empezamos a explorar esta posibilidad en el contexto del curso, nos dimos cuenta de que el potencial va más allá de lo que imaginábamos inicialmente.

En el sector salud, las GANs se han utilizado para generar imágenes médicas sintéticas (radiografías, resonancias magnéticas) que permiten entrenar sistemas de diagnóstico asistido sin violar regulaciones de privacidad del paciente. En el comercio electrónico, se emplean para crear variaciones de productos que aún no existen físicamente. Y en la investigación científica, como mencionó el profesor Félix Julián en la clase, se utilizan ampliamente para la simulación de fenómenos naturales y moléculas.

Sin embargo, también es necesario reconocer los dilemas éticos. Durante la sesión sincrónica, el profesor planteó una pregunta fundamental: ¿quién es el autor de una imagen generada por una red adversaria? Esta cuestión, que toca los derechos de propiedad intelectual, sigue abierta incluso en las legislaciones más avanzadas como la del Parlamento Europeo. Reconocemos que el uso responsable de estas tecnologías es tan importante como su dominio técnico.

Preguntas orientadoras

¿Cómo evaluar la calidad de las imágenes generadas por una RGA?

La evaluación de la calidad de las imágenes generadas por una Red Generativa Adversaria es un problema complejo porque, a diferencia de la clasificación supervisada, no existe una métrica única y universalmente aceptada. En la práctica, se combinan enfoques cualitativos y cuantitativos.

Desde el punto de vista cualitativo, la inspección visual sigue siendo el primer filtro: ¿las imágenes generadas lucen coherentes? ¿Presentan artefactos evidentes como texturas repetitivas, bordes irregulares o colores imposibles? ¿Existe diversidad en las muestras o todas se parecen entre sí (lo que indicaría mode collapse)?

Cuantitativamente, las métricas más utilizadas incluyen el FID (Fréchet Inception Distance), que mide la distancia entre las distribuciones de características de imágenes reales y generadas — valores más bajos indican mayor calidad —, y el IS (Inception Score), que evalúa tanto la calidad individual como la diversidad del conjunto generado. Además, el análisis de las curvas de pérdida durante el entrenamiento proporciona información sobre la estabilidad y convergencia del proceso adversarial (Dadhich, 2018).

¿Cuáles son los principales desafíos en la implementación de una RGA?

Los desafíos son tanto teóricos como prácticos. El más conocido es la inestabilidad del entrenamiento: dado que generador y discriminador compiten entre sí, lograr un equilibrio adecuado es delicado. Si el discriminador se vuelve demasiado fuerte, el generador no recibe gradientes útiles para mejorar; si el generador domina, el discriminador no puede distinguir imágenes reales de falsas, perdiendo su utilidad como señal de entrenamiento.

Otro desafío significativo es el mode collapse, donde el generador aprende a producir un conjunto limitado de imágenes que engañan al discriminador, sacrificando la diversidad. Esto es particularmente problemático en datasets como CIFAR-10, donde las diez clases requieren que la red capture una gran variedad de patrones visuales. Finalmente, el costo computacional es un factor que no puede subestimarse: como señaló el profesor en la clase de esta semana, la arquitectura, número de capas y demás tienen que ir creciendo conforme se busca mayor resolución y realismo en las imágenes generadas (Zafar, 2018).

Etapa de diseño

Dataset CIFAR-10

Para esta actividad, el equipo decidió utilizar el dataset CIFAR-10 como base de entrenamiento para la DCGAN, en continuidad con el trabajo de clasificación realizado en la Semana 7. CIFAR-10 es un dataset estándar de referencia en visión por computador que contiene 60,000 imágenes a color (32×32 píxeles, 3 canales RGB) distribuidas uniformemente en 10 clases: avión, automóvil, pájaro, gato, ciervo, perro, rana, caballo, barco y camión.

La elección de CIFAR-10 sobre MNIST (el dataset utilizado en los notebooks de referencia del Drive) responde a dos razones. Primero, la continuidad con el proyecto de la Semana 7, donde ya habíamos construido y entrenado una CNN clasificadora con este mismo dataset. Segundo, el desafío adicional que supone trabajar con imágenes a color de objetos reales, en contraste con los dígitos en escala de grises de MNIST. Reconocemos que esto hace el problema más difícil, pero también más representativo de aplicaciones del mundo real.

Arquitectura DCGAN

La Deep Convolutional Generative Adversarial Network (DCGAN), propuesta por Radford et al. (2016), es una extensión de la GAN original que introduce operaciones convolucionales en ambas redes. A diferencia de la GAN básica que opera exclusivamente con capas densas (fully connected), la DCGAN aprovecha la estructura espacial de las imágenes mediante convoluciones, lo que le permite capturar patrones locales como bordes, texturas y formas.

Nuestra implementación sigue las directrices arquitectónicas establecidas en el paper original de DCGAN, con las siguientes adaptaciones para CIFAR-10:

Arquitectura del generador

El generador transforma un vector de ruido aleatorio z de dimensión 100 (muestreado de una distribución normal estándar) en una imagen de 32×32×3 píxeles. El proceso de upsampling progresivo se realiza mediante convoluciones transpuestas (Conv2DTranspose) que duplican las dimensiones espaciales en cada paso:

La función de activación tanh en la capa de salida produce valores en el rango [-1, 1], que es compatible con la normalización aplicada al dataset de entrenamiento. Todas las capas convolucionales se configuran sin bias (use_bias=False), ya que la BatchNormalization posterior hace redundante el término de sesgo.

Arquitectura del discriminador

El discriminador funciona como una CNN clasificadora binaria que recibe una imagen de 32×32×3 y produce una probabilidad de que la imagen sea real (proveniente del dataset) o falsa (generada por G). Estructuralmente, es el espejo del generador, realizando downsampling mediante convoluciones con stride:

Se utiliza LeakyReLU con pendiente negativa α=0.2 en lugar de ReLU estándar, lo cual permite gradientes negativos pequeños y evita el problema de neuronas muertas. Se aplica Dropout con probabilidad 0.3 después de cada LeakyReLU como mecanismo de regularización, evitando que el discriminador se vuelva demasiado fuerte demasiado rápido y ahogue al generador.

Etapa de implementación

Funciones de activación empleadas

La selección de funciones de activación en una GAN es crítica y difiere entre el generador y el discriminador. A continuación se detallan las funciones utilizadas y su justificación:

Regularización y optimización

La regularización en una DCGAN tiene un objetivo diferente al de una CNN clasificadora convencional. Mientras en clasificación se busca prevenir el sobreajuste a los datos de entrenamiento, en una GAN la regularización busca estabilizar la dinámica adversarial y prevenir que una de las redes domine a la otra.

BatchNormalization se aplica en el generador después de cada capa convolucional transpuesta (excepto la de salida). Esta técnica normaliza las activaciones de cada mini-batch, reduciendo el problema de internal covariate shift y permitiendo tasas de aprendizaje más altas sin sacrificar estabilidad. En el discriminador, se utiliza Dropout con probabilidad p=0.3, que desactiva aleatoriamente el 30% de las neuronas durante el entrenamiento, actuando como un ensamble implícito que suaviza la superficie de decisión del discriminador.

Para la optimización, se emplea el algoritmo Adam (Kingma & Ba, 2015) con hiperparámetros específicos para entrenamiento adversarial: tasa de aprendizaje de 1×10⁻⁴ y β₁=0.5 (en lugar del valor por defecto de 0.9). Estos valores provienen de las recomendaciones empíricas del paper original de DCGAN (Radford et al., 2016) y han demostrado proporcionar mayor estabilidad en el entrenamiento competitivo entre generador y discriminador.

Flujo de datos dentro de la red

El flujo de datos en una DCGAN sigue un patrón cíclico durante el entrenamiento. En cada iteración (paso de entrenamiento), ocurren dos fases secuenciales:

Fase 1 — Entrenamiento del Discriminador: Se toma un mini-batch de imágenes reales del dataset CIFAR-10 y se le asigna la etiqueta 1 (real). Simultáneamente, se genera un mini-batch de imágenes falsas alimentando vectores de ruido aleatorio al generador, y se le asigna la etiqueta 0 (falso). El discriminador procesa ambos conjuntos y calcula la Binary Cross-Entropy combinada. Los gradientes se retropropagan únicamente a través del discriminador, actualizando sus pesos para mejorar su capacidad de discriminación.

Fase 2 — Entrenamiento del Generador: Se genera un nuevo mini-batch de imágenes falsas a partir de ruido aleatorio. Estas imágenes se pasan por el discriminador, pero esta vez se les asigna la etiqueta 1 (intentamos engañar a D). La pérdida resultante indica qué tan lejos están las imágenes generadas de ser clasificadas como reales. Los gradientes se retropropagan a través del discriminador (congelado) hasta el generador, actualizando los pesos de G para que produzca imágenes más convincentes.

Este proceso iterativo, implementado con el decorador @tf.function de TensorFlow para eficiencia computacional, se repite durante 50 épocas completas sobre el dataset de entrenamiento. Como describió el profesor en clase, es un proceso donde el generador y el discriminador compiten basados en una métrica, y a medida que pasa el tiempo, los valores W se van ajustando hasta que la red logra generar imágenes reconocibles.

Descripción del código desarrollado

La implementación completa se desarrolló en un Jupyter Notebook utilizando Python 3 con TensorFlow/Keras como framework principal. Este notebook está publicado y disponible para su ejecución interactiva en Google Colab a través del siguiente enlace: https://colab.research.google.com/drive/11YlVGQj31KQatGphWVld2oa51y247PvT.

El código está estructurado en secciones bien diferenciadas que abarcan desde la carga del dataset hasta la generación final de imágenes. Los componentes principales del código incluyen:

La función build_generator() construye la red generadora como un modelo Sequential de Keras con capas Dense, Reshape, Conv2DTranspose, BatchNormalization y activaciones ReLU/tanh. La función build_discriminator() implementa la red discriminadora con capas Conv2D, LeakyReLU, Dropout y una capa Dense final con sigmoid. El paso de entrenamiento se encapsula en la función train_step(), decorada con @tf.function para compilación en grafo, que ejecuta secuencialmente el entrenamiento del discriminador y del generador utilizando GradientTape de TensorFlow para el cálculo automático de gradientes.

Para facilitar la reproducibilidad y la transparencia del proceso, el notebook incluye celdas de verificación que validan las formas de salida de ambas redes antes de iniciar el entrenamiento, así como funciones de visualización que generan grids de imágenes cada 10 épocas para monitorear el progreso. Todo el código está documentado con comentarios detallados y celdas markdown explicativas que contextualizan cada decisión técnica.

Resultados

Tras completar las 50 épocas de entrenamiento sobre las 50,000 imágenes de CIFAR-10, la DCGAN logró generar imágenes sintéticas que capturan patrones visuales generales del dataset, incluyendo paletas de color y formas geométricas básicas. A continuación se presentan los resultados obtenidos.

Curvas de pérdida

El análisis de las curvas de pérdida es el indicador principal de la dinámica del entrenamiento adversarial. En una DCGAN bien entrenada, se espera que las pérdidas del generador y del discriminador oscilen sin que ninguna se acerque permanentemente a cero, lo que indicaría que una red ha dominado completamente a la otra.

En nuestro caso, las pérdidas mostraron un comportamiento oscilante característico del entrenamiento adversarial. La pérdida del discriminador se mantuvo en un rango estable, mientras que la del generador fluctuó a medida que la red aprendía a producir imágenes cada vez más convincentes. Este patrón es consistente con lo reportado en la literatura para DCGAN entrenadas con datasets de baja resolución (Radford et al., 2016).

Nota: Las gráficas de las curvas de pérdida se encuentran generadas y visualizadas en el notebook Jupyter adjunto (Oviedo_Alexander_DCGAN_RGA_S8_VC.ipynb), sección 7.1.

Imágenes generadas

El resultado final del entrenamiento es un conjunto de 36 imágenes sintéticas (organizadas en un collage de 6×6) generadas a partir de vectores de ruido aleatorio. Estas imágenes no existen en el dataset original; son completamente nuevas, creadas por el generador después de aprender las distribuciones estadísticas de las imágenes reales de CIFAR-10.

La evolución temporal de las imágenes generadas permite observar el proceso de aprendizaje de la red: en las primeras épocas, las imágenes son esencialmente ruido aleatorio; hacia la época 10-20, comienzan a emerger patrones de color y formas geométricas básicas; y en las épocas finales, las imágenes presentan mayor coherencia visual con texturas y distribuciones de color que se asemejan a las del dataset de entrenamiento.

Es importante ser honestos sobre las limitaciones: a una resolución de 32×32 píxeles, las imágenes generadas no alcanzan un fotorrealismo comparable al de arquitecturas más avanzadas (como StyleGAN) que trabajan a resoluciones de 256×256 o superiores. Sin embargo, sí logran capturar las distribuciones de color, las formas generales y los patrones de textura del dataset, lo cual valida la correcta implementación del modelo.

Nota: El collage completo de las 36 imágenes generadas y la comparación visual entre imágenes reales y generadas se encuentran en el notebook adjunto, secciones 7.2, 7.3 y 7.4.

Resumen de métricas

Conclusiones

El presente trabajo logró cumplir satisfactoriamente los objetivos propuestos para la actividad de la Semana 8. Se diseñó e implementó una Red Generativa Adversaria Convolucional Profunda (DCGAN) funcional, capaz de generar imágenes sintéticas a color de 32×32 píxeles a partir de vectores de ruido aleatorio. Se produjo un conjunto de 36 imágenes nuevas, superando el mínimo requerido de 30, y se documentó exhaustivamente el proceso en un notebook Jupyter reproducible.

Desde el punto de vista técnico, la experiencia de implementar una DCGAN desde cero — adaptando los notebooks de referencia del curso de MNIST a CIFAR-10 — nos permitió comprender en profundidad la dinámica adversarial entre generador y discriminador. Lo que al principio parecía un concepto abstracto (dos redes compitiendo entre sí) se volvió tangible cuando observamos cómo las imágenes evolucionaban de ruido puro a formas cada vez más reconocibles a medida que avanzaba el entrenamiento.

Reconocemos que la calidad de las imágenes generadas tiene limitaciones inherentes a la resolución del dataset (32×32 píxeles). Generar dígitos MNIST es relativamente sencillo porque son imágenes binarias simples; CIFAR-10, con sus objetos complejos a color, presenta un desafío significativamente mayor. Para futuras iteraciones, sería interesante explorar arquitecturas más avanzadas como StyleGAN o la incorporación de mecanismos de atención, así como experimentar con técnicas de entrenamiento progresivo que permitan generar imágenes a resoluciones más altas.

En cuanto a la aplicabilidad profesional, las redes generativas adversarias representan una herramienta con enorme potencial para la generación de datos sintéticos en contextos donde los datos reales son escasos, costosos o sensibles. En el ámbito de la inteligencia artificial aplicada, dominar estas técnicas abre posibilidades para la aumentación de datos de entrenamiento, la anonimización de información y la generación de escenarios de prueba. Como reflexión final, coincidimos con lo planteado por el profesor Félix Julián respecto a la importancia de considerar los aspectos éticos y legales del uso de estas tecnologías, especialmente en lo relacionado con los derechos de propiedad intelectual sobre el contenido generado.

Referencias

Dadhich, A. (2018). Chapter 5: Convolutional Neural Networks. En Practical computer vision: Extract insightful information from images using TensorFlow, Keras, and OpenCV (pp. 88-125). Packt Publishing.

Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems, 27, 2672-2680.

Kingma, D. P., & Ba, J. (2015). Adam: A Method for Stochastic Optimization. Proceedings of the 3rd International Conference on Learning Representations (ICLR).

Krizhevsky, A. (2009). Learning Multiple Layers of Features from Tiny Images [Tesis de maestría, University of Toronto]. Department of Computer Science.

Radford, A., Metz, L., & Chintala, S. (2016). Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. Proceedings of the 4th International Conference on Learning Representations (ICLR).

Zafar, I. (2018). Generative Adversarial Networks. En Hands-on convolutional neural networks with TensorFlow: Solve computer vision problems with modeling in TensorFlow and Python (pp. 172-188). Packt Publishing.