Cómo ampliar imágenes con IA, antes de nada, sí. ya hacía tiempo que no compartía aquí reflexiones sobre el mundo de las artes gráficas.
Hoy vuelvo con un tema que ya empieza a pisar fuerte en nuestro día a día: la inteligencia artificial aplicada a la ampliación de imágenes. Y hoy vamos a bucear en este ámbito.
Por primera vez en este espacio, hablaremos de IA, pero desde una perspectiva concreta y muy relevante para nuestro sector: la ampliación de imágenes generadas por inteligencia artificial. Un tema que cobra cada vez más importancia en el entorno de la impresión profesional.
¿Por qué ahora? Porque cada día se generan millones de imágenes con IA. Y sí, se ven bien en pantalla, pero… ¿qué pasa cuando las llevamos a la imprenta? Ahí empiezan los problemas: resoluciones bajas (1080p), 72 dpi, tamaños reducidos…
En definitiva, material optimizado para pantallas, no para impresión. Esto representa un nuevo desafío para quienes trabajamos en preimpresión, impresión y diseño gráfico.
No es que antes todo fuera perfecto. Todos hemos oído (y dicho) aquello de “es lo que hay” cuando un cliente manda una imagen en baja resolución. Pero al menos, muchas veces, podíamos contar con el archivo original de un diseñador, fotógrafo o creativo que trabajaba con calidad desde el inicio.
Ahora el panorama cambia: las imágenes generadas por IA no vienen de una cámara ni de una sesión de fotos. Y aunque todavía no es la norma, ya muchas agencias empiezan a integrar IA en sus flujos de trabajo para crear recursos visuales: ilustraciones, renders, fotografías… con las implicaciones que eso conlleva.
¿Cómo ampliar imágenes con IA?
Si formas parte de una agencia que ya trabaja con IA, necesitas integrar procesos de control de calidad y ampliación de imágenes en tu flujo.
Si estás en imprenta o preimpresión, prepárate: te van a llegar muchas imágenes generadas por IA con calidad justa o insuficiente para impresión profesional.
Por eso, en este artículo, vamos a analizar distintas herramientas y técnicas para ampliar imágenes con IA, buscando una calidad aceptable para imprenta. Y si no puedes alcanzar el 100%, al menos sabrás cómo mejorar una imagen antes de enviarla… y evitar que el preimpresor te odie con todo su cariño 
¿Qué está pasando con la IA y las imágenes?
Tenemos una cantidad ingente de imágenes generadas con IA, con diversas herramientas como Midjourney, DALL-E, Firefly, etc… Y todas pecan en un sentido, la resolución limitada a las que producen estas imágenes con una baja densidad de píxeles y falta de nitidez para el uso en impresión.
¿Qué hace la IA por nosotros en este campo?
La IA no es una tecnología en concreto, sino que se usan diversas tecnologías en conjunto y esta vez la usaremos para una necesidad, aumentar la resolución de una imagen sin que pierdas calidad visual, incluso a veces la reconstrucción de elementos de la imagen, que apenas se aprecian.
En photoshop cuando ampliamos una imagen, tenemos la opción de escalar una imagen y mediante un algoritmo “tradicional” tenemos diferentes opciones, bicúbica, bilineal… Toda persona que ha ampliado una imagen en este programa sabe de lo que estoy hablando, pero esta vez vamos más allá, generar ampliaciones de mejor calidad.
¿Por qué la resolución importa en impresión?
Como recordatorio general, en el mundo de la impresión —ya sea offset, digital, gran formato o pruebas de contrato— la resolución sí importa, y mucho. A diferencia de las pantallas, que suelen trabajar en 72 o 96 ppi (píxeles por pulgada), las impresoras profesionales operan a niveles mucho más altos de detalle, medidos en dpi (dots per inch).
Las líneas de impresión offset, los plotters fotográficos de alta gama o las máquinas de pruebas certificadas (como las que simulan el punto de trama offset) requieren archivos con resolución suficiente para aprovechar toda su capacidad técnica. Hablamos de resoluciones estándar de 300 ppi o más, dependiendo del tipo de trabajo, soporte y sistema de impresión.
En otras palabras: una imagen de baja resolución puede verse aceptable en pantalla, pero no resiste el salto al papel. La diferencia de densidad entre píxeles y puntos de tinta hace que los defectos se amplifiquen: bordes dentados, texturas lavadas, detalles perdidos…
Por eso, cuando se trabaja para impresión profesional, no basta con que la imagen «se vea bien» en el monitor. Es necesario que tenga la calidad adecuada para el tipo de salida prevista. De lo contrario, ni la mejor máquina podrá salvar un archivo que tenga baja calidad.
Los modelos IA
Como comentamos antes la IA no es un ente que abarca todo un uno, hay diferentes modelos y diferentes herramientas que usan estos modelos, vamos a comentar un par de ellos enfocados a las imágenes.
Redes neuronales convolucionales (CNN) y SRCNN (Super Resolution)
En resumen estas redes detectan patrones visuales, como bordes, texturas… y se usan principalmente para clasificación de imágenes. Uno de los primeros modelos capaces de mejorar imágenes con resultados decentes es el SRCNN (Super Resolution) basado en CNN.
Si queréis arriesgarte y profundizar más sobre esto os dejo un vídeo explicativo de las redes neuronales convolucionales CNN y un artículo muy detallado sobre el SRCNN.
Redes neuronales convolucionales (CNN) y SRCNN (Super Resolution)
Y aquí damos un paso más, es la base del procesamiento de imágenes en IA, es una arquitectura de aprendizaje profundo, para todos los públicos son dos redes neuronales que compiten entre sí para generar nuevos datos más auténticos a partir de unos determinados.
Una GAN (Red Generativa Antagónica) es como un juego entre dos redes de ordenador que aprenden juntas.
- Una red (el generador) intenta crear cosas nuevas que parezcan reales, como imágenes, canciones, etc.
- La otra red (el discriminador) intenta adivinar si eso que se creó es falso o real (si viene del conjunto original o si está inventado).
Para que lo entendamos todos, si un falsificador hace unos billetes y un policía intenta detectarlos, y este policía le dice al ladrón, aquí se nota que es el falso, y el ladrón actualiza el billete, sucesivamente, llegará un momento que el policía no distingue si es falso o verdadero.
Ahora que sabemos el cómo, vamos con las herramientas que trabajan con estas soluciones, claramente cada herramienta tendrá sus peculiaridades y sus funciones.
Herramientas para ampliación de imágenes.
Topaz Gigapixel AI
Topaz Gigapixel AI
Es un programa de los más conocidos, tiene un coste pero la calidad es excelente en los niveles de ampliación de una imagen, además que puedes pulir y controlar los ajustes a la hora de la ampliación.
Ya que como comentamos antes, hay que regular las interacciones ante las dos “redes” neuronales, variando el modelo o demás parámetros.
Quizás algo más complicado de usar al inicio, pero la calidad es buena. Os dejo un vídeo donde podéis ver como hacen unas pruebas a nivel impresión.
Adobe Photoshop (Conservar detalles 2.0)
Adobe está trabajando para ofrecer mejoras basadas en estos modelos, y si queremos usar esta opción, donde siempre, nos vamos a Imagen > Tamaño de imagen y cuando escojamos el tamaño que queremos sacar por ejemplo 300ppp para imprimir, escogemos Conservar Detalles 2.0)
No llega al nivel de otras herramientas, pero es un recurso que quizás si eres usuario de Photoshop y no lo sabías, te servirá de ayuda.
Real-ESRGAN, la opción open source
Diferentes desarrolladores han hecho posible que, con algunos conocimientos técnicos, puedas realizar ampliaciones de imagen utilizando este modelo neuronal basado en redes generativas antagónicas (GANs). Existen varias formas de acceder a esta herramienta: aunque algunas versiones ahora son de pago, el coste por uso es muy bajo en cada interacción.
Replicate, es una página donde los usuarios suben sus modelos y otras personas pueden hacer uso de ellos, en este caso es el modelo para ampliaciones de imagen y veréis una imagen de ejemplo, para que valoréis el nivel de detalle que se puede llegar a obtener.
Opciones gratuitas online
Aquí claramente hay más limitaciones, pero quizás algún día os saque de algún aprieto sin tener que hacer prácticamente nada, subir la imagen y listo.
letsenhance.io/es/ – Tienes para ampliar 10 imágenes, los resultados son bastante buenos, hay una limitación de ampliación, si pagas o no.
upscale.media/ – Otra, esta es gratuita para las primeras ampliaciones y si quieres más tendrías que pagar.
bigjpg.com/ – Y esta última hice alguna prueba, y la usaría bajo casos de última necesidad. Porque el nivel de acabado en las imágenes no resulta lo más fino, como todo depende la imagen que uses.
Buenas prácticas y qué tener en cuenta al ampliar imágenes
Uno de los factores clave a tener en cuenta al ampliar una imagen es si esta es realmente recuperable, es decir, si contiene suficiente información visual como para poder escalarla sin que el resultado se aleje demasiado de lo que ya vemos a menor resolución. Dicho de otro modo: no podemos convertir unos píxeles del tamaño de un puño en una bonita manzana roja, porque simplemente no tendría sentido. La inteligencia artificial lo intentará, sí, pero se inventará mucha información porque el punto de partida es muy pobre.
También es importante valorar cómo está construida la imagen. Por ejemplo, si trabajamos con patrones de líneas finas que se repiten en un fondo, debemos ser muy precisos. En estos casos, es fácil que el patrón se rompa o que se generen patrones falsos al modificar unos elementos sí y otros no. Esto puede provocar diferencias visibles en el fondo o en la textura repetida.
Como comentamos antes, también es fundamental llevar una buena gestión del color. Aunque estos procesos suelen realizarse en entornos RGB, tenemos que tener en cuenta la conversión posterior (o incluso la previa). Por ejemplo, si el cliente envía una imagen en CMYK con su perfil Fogra39 y una resolución inadecuada, no hay problema: podemos convertirla en un espacio RGB, trabajar sobre ella, y luego adaptarla nuevamente según el flujo de trabajo final.
Conclusiones
La IA no reemplaza al preimpresor ni al diseñador, al menos en este campo. Es una herramienta que soluciona un problema técnico, pero no tiene el ojo experto para detectar esos problemas. Por ejemplo, podemos generar una imagen a 300 ppi y que, a nivel técnico, parezca correcta. Pero si contiene una imagen pixelada incrustada, un flujo automatizado podría validarla… mientras que el ojo humano lo detectará de inmediato.
Estas herramientas pueden sacarnos de un apuro e incluso integrarse dentro del flujo de trabajo. A muchos no les convence esta idea, y es válido. Pero al final, la decisión es tuya: puedes buscar soluciones prácticas y eficientes, o arrastrar un problema que llevará más tiempo resolver… o que el cliente simplemente no sabrá cómo abordar.
