Investigadores de la Universidad Estatal de Carolina del Norte generaron 40.000 imágenes sintéticas de árboles y comprobaron que pueden mejorar clasificadores visuales cuando existen pocas fotografías reales para entrenarlos.
El resultado abre una vía para desarrollar herramientas de monitoreo ecológico en especies y grupos poco documentados, aunque los datos artificiales no reemplazan las observaciones auténticas.
El equipo del Centro de Analítica Geoespacial estudió 20 géneros de árboles de América del Norte. Trabajó con dos clases de material: fotografías comunitarias publicadas en iNaturalist e imágenes de calles procedentes de Auto Arborist.
Thomas A. Lake, Brennen T. Farrell, Ross K. Meentemeyer y Chris M. Jones publicaron los resultados en la revista Remote Sensing in Ecology and Conservation. Los modelos de clasificación fueron evaluados exclusivamente con conjuntos reales separados de los datos utilizados durante el entrenamiento.
Los resultados muestran una diferencia clara entre complementar y sustituir. Añadir material artificial ayudó cuando las fotografías reales eran escasas, pero reemplazarlas con contenido generado redujo el rendimiento.
Cómo se crearon las 40.000 imágenes sintéticas
Los investigadores ajustaron 40 adaptadores LoRA de Stable Diffusion v1.5. Cada adaptador correspondía a una combinación entre uno de los 20 géneros de árboles y una de las dos fuentes fotográficas analizadas.
Cada generador fue ajustado con 100 fotografías reales. Después produjo 1.000 muestras para su combinación específica de género y fuente, hasta completar las 40.000 imágenes sintéticas empleadas en los experimentos.
LoRA permite adaptar un modelo generativo modificando una parte reducida de sus parámetros. En este trabajo, el procedimiento buscó reproducir las características visuales presentes en cada conjunto, desde fotografías comunitarias hasta escenas captadas a nivel de calle.
Las muestras artificiales se incorporaron al entrenamiento de clasificadores basados en ResNet-50, una arquitectura de visión computacional utilizada para reconocer categorías en imágenes. El rendimiento se midió con fotografías reales que no habían intervenido en la creación de los generadores ni en el entrenamiento de los clasificadores.
Las imágenes sintéticas ayudan como suplemento, no como reemplazo
La mejora fue mayor en los experimentos con pocos ejemplos auténticos. A medida que aumentó la cantidad de fotografías reales disponibles, el beneficio adicional de las imágenes sintéticas disminuyó. El estudio no atribuye a esta técnica una reducción concreta de horas de trabajo ni un porcentaje fijo de aceleración.
Sustituir observaciones reales por muestras generadas produjo resultados inferiores. Los datos artificiales tampoco cerraron la diferencia de rendimiento entre fotografías comunitarias y escenas de calle, dos dominios que presentan encuadres, fondos y condiciones de captura distintos.
El alcance está limitado a 20 géneros de árboles y dos fuentes de imágenes. Los hallazgos no demuestran que la misma técnica funcione de igual manera con todas las especies, hábitats o tareas de conservación. Tampoco eliminan la necesidad de trabajo de campo, identificación experta y conjuntos reales de evaluación.
El método podría apoyar clasificadores destinados al monitoreo de biodiversidad, la cartografía ecológica y la planificación de conservación cuando un taxón dispone de pocas fotografías. Otros campos ya experimentan con datos visuales artificiales para entrenar sistemas especializados, como ocurre con las imágenes médicas sintéticas, pero cada aplicación necesita validación con datos reales de su propio entorno.
