IA y medios generados # Reemplazo de imágenes con IA: máscaras, inpainting y revisión Reemplaza regiones de imágenes con IA y mantén visibles las máscaras de selección, la fuente de referencia, la continuidad visual y la revisión editorial. Publicado el 13 de agosto de 2026 ## Conclusiones clave * Conserva la máscara de edición y las regiones protegidas para que quienes revisen sepan exactamente qué píxeles podía reemplazar el modelo. * Usa el inpainting documentado de /image/generate para la síntesis basada en máscaras y usa la composición determinista cuando el recurso de reemplazo deba permanecer exacto. * Nunca sobrescribas la imagen de origen aprobada; trata los reemplazos generados como imágenes candidatas revisables con procedencia. El reemplazo con IA puede hacer que un retoque complejo parezca reducirse a un solo prompt, pero la selección y la revisión siguen determinando la calidad. Los pequeños errores de la máscara pueden cambiar manos, texto, bordes, reflejos y objetos que nunca se pretendía modificar. ## En esta guía 1. [Elige deliberadamente entre síntesis y composición exacta](#ai-image-replacement-section-1) 2. [Crea máscaras alineadas con la fuente y regiones protegidas](#ai-image-replacement-section-2) 3. [Usa los roles documentados de imagen y máscara para el inpainting](#ai-image-replacement-section-3) 4. [Conserva la imagen de origen, la máscara, la imagen candidata y el resultado aprobado](#ai-image-replacement-section-4) 5. [Inspecciona los límites, la luz, el texto y la coherencia física](#ai-image-replacement-section-5) 6. [Ajusta la máscara antes de ampliar la libertad del modelo](#ai-image-replacement-section-6) 7. [Evita que las ediciones obsoletas sigan a una fuente modificada](#ai-image-replacement-section-7) ## Elige deliberadamente entre síntesis y composición exacta El reemplazo puede consistir en pegar un sujeto aprobado, generar píxeles nuevos dentro de una región o reconstruir un fondo después de una eliminación. La composición exacta es adecuada cuando el objeto o texto insertado debe permanecer sin cambios. El inpainting solo es adecuado cuando se permite una síntesis verosímil y revisable. Define las regiones protegidas de la fuente, el reemplazo deseado, las restricciones de iluminación y perspectiva, las ubicaciones de salida y la alternativa determinista de respaldo. No permitas que el modelo más conveniente decida si pueden cambiar la evidencia, los detalles del producto, la identidad o el texto de marca. ## Crea máscaras alineadas con la fuente y regiones protegidas Crea la máscara a partir de la fuente normalizada exacta y almacena el ancho, la altura, la suma de comprobación, la orientación y la convención de la máscara. El suavizado de bordes puede facilitar la integración visual, pero también puede exponer píxeles protegidos a modificaciones. Valida la alineación mediante una superposición antes de enviar la solicitud. Mantén regiones separadas para los píxeles editables, los detalles protegidos del sujeto y la revisión contextual. Si la imagen de origen se redimensiona o se rota, transforma o vuelve a generar la máscara deliberadamente. Nunca reutilices una máscara después de reemplazar la imagen de origen solo porque las dimensiones coincidan. ## Usa los roles documentados de imagen y máscara para el inpainting La Assembly que aparece a continuación asigna a dos subidas los roles semánticos `image` y `mask` para `/image/generate` con un modelo de inpainting. Asigna nombres semánticos a los campos de subida o usa directivas `as`, y describe únicamente el cambio previsto dentro de la máscara. La respuesta sigue siendo una imagen candidata, no una edición aprobada. Valida el tipo de archivo, las dimensiones y la capacidad de decodificación; luego compara las regiones protegidas con la fuente. Almacena el modelo, la versión del prompt, la fuente, la máscara y la evidencia de la tarea del proveedor. Una solicitud exitosa no garantiza una conservación exacta ni la consistencia visual. Aplicar inpainting con dos subidas: imagen de origen y máscara ``` { "steps": { ":original": { "robot": "/upload/handle" }, "inpainted": { "use": [ { "name": ":original", "as": "image" }, { "name": ":original", "as": "mask" } ], "robot": "/image/generate", "model": "stability-ai/stable-diffusion-inpainting", "prompt": "Replace only the masked area with the approved subject. Keep the rest of the image unchanged.", "format": "png" } } } ``` ## Conserva la imagen de origen, la máscara, la imagen candidata y el resultado aprobado El resultado del modelo, la corrección del revisor y el derivado final para entrega son registros diferentes. Mantén inmutable el original y conserva la imagen candidata incluso cuando un editor cree una versión corregida conforme a las políticas. Este historial permite revertir cambios y explica cuáles fueron generados por una máquina o aprobados por una persona. Ejecuta el cambio de tamaño, la optimización y la exportación deterministas después de la aprobación, o mantén esas salidas en cuarentena. Separa los reintentos por etapa: un fallo de almacenamiento no debe volver a ejecutar el inpainting, y un fallo de inferencia no debe destruir la fuente ni el recurso aprobado anteriormente. ## Inspecciona los límites, la luz, el texto y la coherencia física Revisa los bordes de la máscara, la oclusión, las sombras, los reflejos, la escala, la perspectiva, la repetición de texturas, la anatomía, el texto, los logotipos y la coherencia causal. Inspecciona tanto la imagen maestra como cada recorte de destino. Las comparaciones automatizadas de píxeles pueden proteger las áreas sin cambios, mientras que las personas evalúan la plausibilidad y el significado. Usa briefs de edición reales y casos negativos en los que se deba elegir la composición o no hacer cambios. Registra la aceptación, el tiempo de corrección, la diferencia en las regiones protegidas y el motivo del rechazo. Una puntuación estética alta no puede compensar la alteración de evidencia ni un reemplazo que incumpla el brief indicado. ## Ajusta la máscara antes de ampliar la libertad del modelo Cuando una imagen candidata falla en un límite, inspecciona la alineación de la máscara y las regiones protegidas antes de ampliar el prompt o el área editable. Una máscara más grande puede ocultar la unión inmediata, pero permitir más cambios no deseados. Cuando el control sea importante, opta por una corrección técnica más precisa o por una composición exacta. Limita los reintentos y trata la negativa del modelo, el tiempo de espera agotado, la salida con formato incorrecto, los fallos en las comprobaciones de preservación y el rechazo del revisor como estados terminales separados. Mantén recuperables las ediciones visibles para el usuario y nunca permitas que una imagen candidata tardía sobrescriba una fuente o decisión más reciente. ## Evita que las ediciones obsoletas sigan a una fuente modificada Versiona conjuntamente la imagen de origen, la máscara, el prompt, el modelo, los criterios de revisión y el flujo de trabajo de acabado. Antes de aceptar un callback o publicar una imagen candidata, compara la suma de comprobación de su imagen de origen y la generación de la edición con el registro activo. Marca los resultados que no coincidan como obsoletos en lugar de intentar trasladarlos. Supervisa las diferencias en los píxeles protegidos, los motivos de rechazo, los reintentos, la corrección, la deriva del proveedor, la latencia y el costo por tipo de edición. Vuelve a procesar pares fijos de fuente y máscara después de que cambie el proveedor y mantén disponible el resultado aprobado anterior hasta que el reemplazo pase la revisión. ## Detalles técnicos que conviene conocer * Límite de la tarea: el reemplazo de imágenes con IA utiliza una máscara e instrucciones para sintetizar un nuevo objeto o una nueva región dentro de una imagen existente. El inpainting sintetiza píxeles dentro de una máscara; la composición coloca píxeles conocidos de la fuente, mientras que el retoque puede utilizar ediciones locales deterministas. * Contrato de entrada: proporciona una máscara precisa y alineada con la fuente, regiones protegidas, restricciones de reemplazo y referencias, y preserva qué píxeles eran originales. La preparación de la entrada debe evaluarse junto con el modelo, porque el preprocesamiento puede eliminar tanto evidencia como ruido. * Contrato de salida: produce una imagen candidata junto con una máscara de edición alineada con la imagen de origen, la procedencia del prompt y del modelo, el registro de la región protegida, el estado de revisión y el conjunto de derivados aprobados. Una respuesta válida no demuestra que una etiqueta predicha, una región predicha o un píxel generado sean correctos. * Elección del método: usa el inpainting de /image/generate con un modelo expresamente compatible cuando la síntesis sea aceptable y el resultado pueda someterse a una revisión visual y factual; prefiere la composición determinista cuando un recurso de reemplazo conocido deba mantenerse exacto. Los nombres de los modelos por sí solos no describen los datos de entrenamiento, los umbrales, la latencia, las licencias ni el comportamiento ante fallos de un sistema desplegado. * Evaluación: revisa los límites de la máscara, la iluminación, la perspectiva, los patrones repetidos, la integridad del texto y los logotipos, la plausibilidad física, la fidelidad a la fuente y el tiempo de corrección. Las puntuaciones agregadas deben segmentarse por tipo de contenido para evitar que los ejemplos comunes y sencillos oculten fallos en casos límite importantes. * Fallos y seguridad: un reemplazo fallido debe dejar intacta la fuente aprobada y ofrecer el ajuste de la máscara, la composición determinista o la edición humana como alternativa explícita. Informa sobre los cambios sustanciales cuando el contexto lo requiera y revisa los reemplazos que involucren personas, pruebas, productos, marcas comerciales o afirmaciones reguladas. * Operaciones: almacena las máscaras y las regiones protegidas, controla las versiones de los prompts y los modelos, supervisa los motivos de rechazo y evita que los recursos de origen revisados hereden ediciones obsoletas. ## Un enfoque práctico 1. 1\ Documenta la decisión, el esquema de salida y los criterios de rechazo para el reemplazo de imágenes con IA basado en máscaras. 2. 2\ Crea un conjunto de evaluación representativo para el reemplazo de imágenes con IA basado en máscaras y conserva cada fuente, decisión de preprocesamiento y registro de procedencia. 3. 3\ Evalúa el flujo de trabajo completo con evidencia representativa y compara el resultado con criterios de aceptación predefinidos y específicos de la tarea. 4. 4\ Implementa el reemplazo de imágenes con IA basado en máscaras mediante rutas explícitas de revisión y respaldo; después, supervisa las señales operativas que determinan si sigue siendo útil. Un flujo de trabajo multimedia de cuatro etapas ## Cuándo resulta útil Transloadit Usa /image/generate con dos subidas separadas, una imagen de origen y una máscara, etiquetadas mediante nombres de campo semánticos o las directivas as. Usa /image/resize para los derivados aprobados y Robots de almacenamiento para conservar la imagen de origen, la máscara, la imagen candidata y el resultado final revisado. ## Límite de la arquitectura Transloadit documenta en /image/generate el inpainting con imagen y máscara, incluidos los roles explícitos de la imagen y la máscara y las opciones compatibles, como stability-ai/stable-diffusion-inpainting. Los resultados siguen dependiendo del modelo; recurre a una solución especializada solo cuando los modelos documentados o el contrato no contemplen la edición requerida. ## Preguntas frecuentes ### ¿El inpainting equivale a copiar un reemplazo exacto en una imagen? No. El inpainting sintetiza píxeles según el comportamiento del modelo. Usa composición determinista cuando cualquiera de estos elementos insertados deba permanecer exacto: el objeto, el logo, el texto o los detalles del producto. ### ¿Por qué la máscara debe estar vinculada a una suma de comprobación de la fuente? Las coordenadas de la máscara describen exactamente una imagen. Un cambio en el recorte, la orientación, el tamaño o la imagen de origen puede hacer que una máscara de aspecto idéntico modifique los píxeles equivocados. ### ¿Un borde defectuoso justifica usar una máscara más grande? No automáticamente. Primero inspecciona la alineación, la polaridad, el suavizado de bordes y las regiones protegidas. Ampliar la máscara aumenta el área en la que el modelo puede introducir cambios no deseados. ### ¿Qué se debe comparar automáticamente después del inpainting? Valida los archivos y sus dimensiones, verifica la identidad de la fuente y de la máscara, y compara las regiones protegidas con una tolerancia adecuada. La revisión humana sigue determinando si el resultado es aceptable visual y semánticamente. ## Crea el flujo de trabajo Pasa del concepto a una Assembly probada con la documentación de Robots y Demos funcionales. ### Robots relevantes * [/image/generate](/es/docs/robots/image-generate.md) * [/image/resize](/es/docs/robots/image-resize.md) * [Lee la documentación de la API](/es/docs.md) * [Explora Demos funcionales EN (English)](/demos.md) * [Crea un Workspace gratuito](/c/signup/) IA y medios generados ## Continúa con guías relacionadas * [Análisis de imágenes con IA: tareas, arquitectura y salvaguardas](/es/guides/ai-image-analysis.md)\ Comprende clasificación, detección, OCR, generación de descripciones, embeddings y moderación como tareas diferentes dentro del análisis de imágenes. * [Flujo de revisión para metadatos de imagen asistidos por IA](/es/guides/ai-for-media-seo.md)\ Usa la IA para el SEO multimedia donde realmente ayude: inventario, sugerencias de metadatos, borradores accesibles y optimización medible de recursos. * [Generación de imágenes de producto con IA y salvaguardas por SKU](/es/guides/ai-product-image-generation.md)\ Genera imágenes de productos sin inventar características, colores, empaques ni afirmaciones que los clientes confundan con el artículo real. * [IA generativa en el comercio electrónico: cinco ejemplos prácticos](/es/guides/generative-ai-in-ecommerce.md)\ Usa IA generativa en cinco tareas de comercio electrónico y protege datos verificados del catálogo, requisitos del canal, aprobaciones y entregas deterministas. * [Analítica de video basada en IA: señales, métricas y arquitectura](/es/guides/ai-video-analytics.md)\ Diseña analítica de video con IA: separa señales de contenido, telemetría de reproducción, eventos de negocio, evaluación y evidencia sincronizada en el tiempo.