1
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
RNPS 2487 • ISSN 2708-3411
Vol. 6 • 2025 • e297
ARTÍCULO DE REVISIÓN
Manejo de datos OOD en la generación de
imágenes sintéticas: revisión del estado del
arte
Handling OOD Data in Synthetic Image Generation: A State-of-the-Art
Review
Ariadna Arbolaez Espinosa
ararbolaez@uclv.cu • https://orcid.org/0009-0005-2752-1986
María Matilde García Lorenzo
mmgarcia@uclv.edu.cu
•
https://orcid.org/0000-0002-1663-5794
Yusely Ruíz González
yuselyr@uclv.edu.cu
•
https://orcid.org/0000-0002-6011-1947
Rafael E. Bello Pérez
rbellop@uclv.edu.cu
•
https://orcid.org/0000-0001-5567-2638
UNIVERSIDAD CENTRAL “MARTA ABREU” DE LAS VILLAS
Recibido: 2025-09-04 • Aceptado: 2025-10-18
RESUMEN
La generación de imágenes sintéticas mediante modelos generativos ha experimentado un
progreso notable, pero la identificación y manejo de datos fuera de distribución (OOD) sigue
siendo un reto crítico para la implementación confiable de estos modelos. Esta revisión
examina el estado del arte en la detección OOD dentro del contexto de la generación de
imágenes sintéticas. Se analizan arquitecturas generativas ampliamente utilizadas, como
Wasserstein GAN con penalización de gradiente (WGAN-GP) y StyleGAN2-ADA, junto con
métricas de evaluación como la Fréchet Inception Distance (FID). Además, se revisan
estrategias recientes que mejoran la discriminación OOD sin necesidad de datos OOD durante
el entrenamiento, como SeTAR (que ajusta selectivamente representaciones internas) y ABET
(que combina energía y escalado de temperatura aprendido). La síntesis de la literatura indica
que la integración de técnicas de detección OOD en los modelos generativos no solo
incrementa la capacidad de los modelos para distinguir entre ejemplos en distribución y fuera
de distribución, sino que también promueve una mayor fidelidad visual y estabilidad en las
imágenes sintéticas, especialmente en escenarios con datos reales limitados o críticos. La
revisión concluye identificando vacíos en el conocimiento y proponiendo líneas futuras de
investigación para fortalecer la aplicabilidad de estos modelos en dominios sensibles.
2
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Manejo de datos OOD en la generación de imágenes sintéticas: revisión
del estado del arte
Arbolaez Espinosa, A., García Lorenzo, M.M., Ruíz González, Y., Bello
Pérez, R.E.
Palabras clave:
datos fuera de distribución; detección de anomalías; evaluación de
modelos; generación de imágenes sintéticas; modelos generativos.
ABSTRACT
Synthetic image generation through generative models (GANs, diffusion models) has seen
remarkable progress, but the identification and handling of out-of-distribution (OOD) data
remains a critical challenge for the reliable deployment of these models. This review examines
the state of the art in OOD detection within the context of synthetic image generation. Widely
used generative architectures such as Wasserstein GAN with gradient penalty (WGAN-GP) and
StyleGAN2-ADA are analyzed, along with evaluation metrics like Fréchet Inception Distance
(FID). Furthermore, recent strategies that enhance OOD discrimination without requiring OOD
data during training are reviewed, such as SeTAR (which selectively adjusts internal
representations) and ABET (which combines energy and learned temperature scaling). The
literature synthesis indicates that integrating OOD detection techniques into generative
models not only increases the models' ability to distinguish between in-distribution and out-of-
distribution examples but also promotes greater visual fidelity and stability in synthetic images,
especially in scenarios with limited or critical real data. The review concludes by identifying
gaps in knowledge and proposing future research directions to strengthen the applicability of
these models in sensitive domains
Keywords:
anomaly detection; generative models; model evaluation; synthetic image
generation; out-of-distribution data.
INTRODUCCIÓN
La generación de imágenes sintéticas mediante modelos generativos profundos ha revolucionado áreas como
la visión por computadora, el diseño gráfico y la medicina. Arquitecturas como las Redes Generativas Antagónicas
(GANs) (I. J. Goodfellow et al., 2014) y, más recientemente, los modelos de difusión (Rombach, Blattmann, Lorenz,
Esser, & Ommer, 2022), son capaces de producir muestras visualmente convincentes a partir de distribuciones de
datos complejas. Sin embargo, un problema persistente es la dificultad de estos modelos para identificar y manejar
datos fuera de distribución (OOD), es decir, ejemplos que se desvían significativamente de la distribución de
entrenamiento. Esta limitación puede generar imágenes irrelevantes o de baja calidad (Duy et al., 2021), y supone
un riesgo en aplicaciones críticas como el diagnóstico médico (Mahapatra, Bozorgtabar, & Garnavi, 2019; Rayavarapu
& Sasibhushana Rao, 2025).
La detección OOD se ha estudiado tradicionalmente en el contexto de clasificación (Yang, Zhou, Li, & Liu, 2024),
pero su integración en modelos generativos presenta desafíos únicos. Por un lado, métricas comúnmente utilizadas
para evaluar la calidad de imágenes sintéticas, como la Fréchet Inception Distance (FID) (Heusel, Ramsauer,
Unterthiner, Nessler, & Hochreiter, 2017), ofrecen una medida indirecta de la similitud entre distribuciones, pero no
están diseñadas específicamente para identificar ejemplos OOD. Por otro lado, técnicas recientes como SeTAR (Li,
3
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Manejo de datos OOD en la generación de imágenes sintéticas: revisión
del estado del arte
Arbolaez Espinosa, A., García Lorenzo, M.M., Ruíz González, Y., Bello
Pérez, R.E.
Chen, Chen, & Xiong, 2024) y los enfoques basados en energía (Liu, Wang, Owens, & Li, 2020) proponen mecanismos
para mejorar la discriminación OOD sin requerir datos OOD durante el entrenamiento, lo que las hace
particularmente atractivas para escenarios con datos limitados (Karras et al., 2020).
Esta revisión tiene como objetivo examinar el estado del arte en la generación de imágenes sintéticas con foco
en la detección OOD. Se analizarán las arquitecturas generativas más relevantes, las métricas de evaluación
utilizadas, y las estrategias propuestas para mitigar el problema OOD. La contribución de este trabajo radica en
sintetizar los avances recientes, identificar tendencias y brechas en la literatura, y ofrecer perspectivas para futuras
investigaciones que fortalezcan la confiabilidad de los modelos generativos en entornos reales.
METODOLOGÍA
Esta revisión sigue un enfoque sistemático para la identificación, selección y análisis de la literatura relevante.
Los pasos metodológicos se describen a continuación.
Estrategia de búsqueda
Se realizaron búsquedas en bases de datos académicas (arXiv, IEEE Xplore, SpringerLink, PubMed) y en motores
de búsqueda generales (Google Scholar) utilizando combinaciones de los siguientes términos: “synthetic image
generation”, “out-of-distribution detection”, “GAN OOD”, “Fréchet Inception Distance”, “WGAN-GP”, “StyleGAN2-
ADA”, “SeTAR”, “ABET”, “energy-based OOD detection”. Se incluyeron artículos publicados entre 2015 y 2025, con
especial énfasis en los últimos cinco años.
Criterios de selección
Se consideraron artículos de conferencias, revistas y que cumplieran con los siguientes criterios:
1.
Que aborden la generación de imágenes sintéticas mediante modelos generativos (GANs, modelos
de difusión).
2.
Que propongan o evalúen métodos para la detección de datos fuera de distribución en el contexto
generativo.
3.
Que discutan métricas de evaluación relevantes (FID, Inception Score, etc.).
4.
Que presenten aplicaciones en dominios como imágenes médicas, automoción, u otros escenarios
con datos limitados.
Extracción y síntesis de la información
De cada artículo seleccionado se extrajo información sobre: arquitectura del modelo, métricas utilizadas,
estrategias de detección OOD, resultados principales y limitaciones. La información se organizó en categorías
temáticas para facilitar el análisis comparativo y la identificación de tendencias.
4
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Manejo de datos OOD en la generación de imágenes sintéticas: revisión
del estado del arte
Arbolaez Espinosa, A., García Lorenzo, M.M., Ruíz González, Y., Bello
Pérez, R.E.
RESULTADOS Y DISCUSIÓN
Modelos generativos para imágenes sintéticas
Las Redes Generativas Antagónicas (GANs) han sido la arquitectura dominante para la generación de imágenes,
estableciendo un marco de entrenamiento adversarial entre un generador y un discriminador (I. J. Goodfellow et al.,
2014; I. Goodfellow et al., 2020). Sin embargo, las GANs originales son propensas a inestabilidades como el colapso
modal. Variantes como Wasserstein GAN con penalización de gradiente (WGAN-GP) abordan esto reemplazando el
recorte de pesos con una penalización en la norma del gradiente del crítico, mejorando significativamente la
estabilidad del entrenamiento y la calidad de las muestras (Gulrajani, Ahmed, Arjovsky, Dumoulin, & Courville, 2017).
Para escenarios con datos limitados, StyleGAN2-ADA introduce un aumento de datos adaptativo aplicado al
discriminador, lo que previene el sobreajuste y permite una generación de alta fidelidad incluso con conjuntos
pequeños (Karras et al., 2020).
Más recientemente, los modelos de difusión han emergido como una alternativa poderosa. Estos modelos,
como los Denoising Diffusion Probabilistic Models (DDPM), generan imágenes mediante un proceso iterativo de
eliminación de ruido, logrando una calidad excepcional y diversidad (Ho, Jain, & Abbeel, 2020). Su variante eficiente,
los Latent Diffusion Models (LDM), realiza este proceso en un espacio latente comprimido, reduciendo el coste
computacional (Rombach et al., 2022). No obstante, un hallazgo crítico es que, a pesar de su capacidad para capturar
fielmente la distribución de entrenamiento, estos modelos profundos generativos pueden asignar una probabilidad
(likelihood) más alta a datos OOD que a los propios datos de entrenamiento (Nalisnick, Matsukawa, Teh, Gorur, &
Lakshminarayanan, 2019). Esta paradoja, confirmada también en el contexto específico de los difusores (Kirichenko,
Izmailov, & Wilson, 2020), revela una desconexión profunda entre la densidad de probabilidad aprendida y la
semántica real de los datos, lo que sugiere limitaciones intrínsecas en la generalización de estos modelos (Wang,
Ribeiro, & Mandt, 2024). Por tanto, la confianza interna del modelo no es un indicador fiable para la detección OOD,
subrayando la necesidad de desarrollar métricas y mecanismos de detección externos y específicos para garantizar
la fiabilidad en entornos abiertos (Yang et al., 2024).
El desafío de los datos fuera de distribución (OOD)
Los datos OOD se definen como ejemplos que se desvían significativamente de la distribución de datos en la
que el modelo fue entrenado (Yang et al., 2024). En el contexto generativo, esto se manifiesta de dos formas
principales: 1) la generación involuntaria de muestras OOD (por ejemplo, un modelo entrenado en rostros humanos
genera un rostro con características anatómicas imposibles), y 2) la incapacidad para rechazar o identificar una
entrada OOD durante la inferencia o la evaluación.
Este problema trasciende lo académico y conlleva riesgos sustanciales en aplicaciones críticas. En diagnóstico
médico, un generador de imágenes de piel podría producir una lesión sintética que no se corresponda con ninguna
patología real, confundiendo a los médicos en formación y planteando un problema de validez clínica y generalización
(Mahapatra et al., 2019; Rayavarapu & Sasibhushana Rao, 2025). En seguridad de sistemas autónomos, la
incapacidad de detectar una situación OOD en los datos de entrada puede llevar a predicciones o generaciones de
escenarios erróneas, violando principios fundamentales de seguridad en IA que requieren robustez frente a
distribuciones nuevas (Amodei, 2016; Nitsch et al., 2021). Por lo tanto, la detección y el manejo de OOD dejan de ser
un problema marginal para convertirse en un componente esencial de garantía de seguridad y robustez para el
despliegue de sistemas generativos.
5
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Manejo de datos OOD en la generación de imágenes sintéticas: revisión
del estado del arte
Arbolaez Espinosa, A., García Lorenzo, M.M., Ruíz González, Y., Bello
Pérez, R.E.
Dado que las arquitecturas generativas son sumamente vulnerables a los datos OOD, se requiere evaluarlas
con métricas adecuadas.
Métricas de evaluación para generación de imágenes
Para medir la calidad de las imágenes generadas, una de las métricas más usadas es la Fréchet Inception
Distance (FID) (Heusel et al., 2017). El FID calcula la distancia entre las características de imágenes reales y generadas.
Aunque un buen FID suele coincidir con lo que los humanos vemos como una imagen de calidad(Benny, Galanti,
Benaim, & Wolf, 2021; Sharma, Kumar, Sharma, & Biju, 2024; Wibowo, Setyawan, Setiawan, & Sembiring, 2025), esta
métrica tiene un problema grave para la seguridad: no mide si el modelo puede identificar datos OOD (Chong &
Forsyth, 2020).
Esto significa que un modelo generativo puede tener un FID excelente y, al mismo tiempo, fallar
completamente cuando se enfrenta a ejemplos fuera de su entrenamiento. Esta es una brecha peligrosa,
especialmente en usos críticos como la medicina, donde no se pueden permitir errores con datos nuevos.
Otras métricas como el Inception Score (IS) también se usan (Barratt & Sharma, 2018; Sharma et al., 2024),
pero ninguna está diseñada para detectar OOD. Por lo tanto, confiar solo en ellas da una falsa sensación de seguridad.
Esto deja claro que se necesitan métodos específicos de detección OOD, que son el tema central de la siguiente
sección de esta revisión.
Estrategias específicas para mejorar la detección OOD en modelos generativos
Para superar la limitación de las métricas tradicionales, se han creado métodos cuyo objetivo directo es
mejorar la capacidad de los modelos generativos para identificar datos OOD. Dos estrategias recientes y efectivas
son SeTAR y ABET.
SeTAR es un método del tipo training-free (no requiere reentrenamiento) que mejora la habilidad de un
modelo de visión ya entrenado para detectar OOD. Su mecanismo se basa en ajustar de manera selectiva las matrices
de peso de la red mediante una aproximación de bajo rango. Este ajuste interno modifica las representaciones del
modelo, haciendo que las activaciones para datos dentro de la distribución y fuera de ella se separen más, lo que
facilita su discriminación. La principal ventaja de SeTAR es que logra esta mejora sin necesidad de exponer al modelo
a ejemplos OOD durante su desarrollo o ajuste, siendo muy útil para escenarios con datos limitados (Li et al., 2024).
ABET es una estrategia que combina dos conceptos para una detección más precisa. Por un lado, utiliza un
score de energía, donde a los datos se les asigna un valor escalar (energía) que tiende a ser más bajo para ejemplos
dentro de la distribución y más alto para los OOD. Por otro lado, incorpora un escalado de temperatura aprendido,
que es un parámetro que se ajusta automáticamente para afinar la sensibilidad del detector. La combinación de estos
dos elementos permite a ABET reducir significativamente la tasa de falsas alarmas (clasificar datos normales como
OOD) sin depender de datos OOD durante la fase de entrenamiento del detector (LeVine et al., 2024).
Ambas estrategias representan un avance significativo, ya que abordan el núcleo del problema de la detección
OOD en modelos generativos desde enfoques prácticos y eficientes, preparando el terreno para su aplicación en
dominios sensibles.
6
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Manejo de datos OOD en la generación de imágenes sintéticas: revisión
del estado del arte
Arbolaez Espinosa, A., García Lorenzo, M.M., Ruíz González, Y., Bello
Pérez, R.E.
Aplicaciones en dominios sensibles
La detección de OOD es especialmente crítica en el campo de las imágenes médicas. En este dominio, los datos
reales de pacientes son a menudo escasos, sensibles y difíciles de obtener (Shin et al., 2018). Los modelos generativos
se utilizan para crear imágenes sintéticas que ayuden a entrenar otros sistemas de diagnóstico (Frid-Adar et al., 2018),
aumentando así el tamaño de los conjuntos de datos disponibles. Sin embargo, aquí el riesgo es alto: si el generador
produce una imagen con anatomía irrelevante, un artefacto extraño o una patología que no se corresponde con la
realidad (todos ellos datos OOD), puede confundir a los especialistas o arruinar el entrenamiento de modelos de
diagnóstico asistido (Yoon, Oh, Shin, Mazurowski, & Suk, 2024).
Para evitar esto, es necesario integrar mecanismos que detecten y filtren estas generaciones erróneas. Un
ejemplo concreto es el uso de la arquitectura StyleGAN2-ADA para generar imágenes sintéticas de hígado a partir de
tomografías computarizadas (TC). La investigación demostró que, al combinar este generador con técnicas de
detección, se podía identificar y rechazar automáticamente las imágenes que no correspondían a hígado, logrando
una precisión de detección muy alta, superior al 90% (Karras et al., 2020; Rayavarapu & Sasibhushana Rao, 2025).
Los métodos específicos de detección OOD, como SeTAR y ABET, son muy prometedores para fortalecer esta
aplicación. Sus características principales los hacen ideales para el ámbito médico:
•
No necesitan ejemplos de datos OOD para su desarrollo: En medicina, es imposible reunir ejemplos de
todas las anatomías o artefactos extraños que podrían aparecer. Tanto SeTAR como ABET están diseñados
para mejorar la detección sin requerir este tipo de datos durante su entrenamiento o ajuste (LeVine et al.,
2024; Li et al., 2024).
•
Son eficientes y ofrecen resultados sólidos: SeTAR logró mejoras significativas en la capacidad de modelos
de visión para distinguir datos OOD en conjuntos de prueba generales, actuando como un ajuste posterior
al entrenamiento que no requiere recalcular todo el modelo (Li et al., 2024). Por su parte, ABET demostró
una gran eficacia para reducir los falsos positivos (es decir, evitar que datos normales sean marcados como
extraños) en modelos expuestos a datos novedosos (LeVine et al., 2024).
Limitaciones y brechas de investigación
A pesar de los avances, persisten desafíos. La mayoría de las métricas de evaluación (como FID) no están
diseñadas para detectar OOD, y las técnicas específicas para OOD a menudo se evalúan en clasificación, no en
generación. Además, la falta de puntos de referencia estandarizados para evaluación OOD en generación dificulta la
comparación de métodos. Otra brecha es la integración eficiente de mecanismos de detección OOD en arquitecturas
generativas complejas sin comprometer la calidad o velocidad de la generación.
CONCLUSIONES
Esta revisión ha examinado el estado del arte en generación de imágenes sintéticas y detección de datos fuera
de distribución. Se constata que, si bien los modelos generativos han alcanzado una notable capacidad para producir
imágenes realistas, su vulnerabilidad a datos OOD sigue siendo un punto débil. Arquitecturas como WGAN-GP y
StyleGAN2-ADA ofrecen mejoras en estabilidad y calidad, pero por sí mismas no resuelven el problema OOD. Métricas
como FID proporcionan una medida indirecta de la similitud entre distribuciones, pero no sustituyen a técnicas
específicas de detección OOD.
7
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Manejo de datos OOD en la generación de imágenes sintéticas: revisión
del estado del arte
Arbolaez Espinosa, A., García Lorenzo, M.M., Ruíz González, Y., Bello
Pérez, R.E.
Estrategias como SeTAR y ABET representan avances prometedores, ya que mejoran la discriminación OOD sin
requerir datos OOD durante el entrenamiento, lo que las hace aplicables en escenarios con datos limitados. Sin
embargo, su integración en modelos generativos completos aún requiere mayor investigación.
Como direcciones futuras, se identifican: (1) la identificación de métricas de evaluación que combinen calidad
generativa y sensibilidad OOD y puntos de referencia estandarizados para evaluar detección OOD en generación de
imágenes; (3) la exploración de métodos que puedan adaptarse a diversos modelos generativos sin coste
computacional excesivo; y (4) la aplicación de estas técnicas en dominios de alto impacto, como la generación de
imágenes médicas para entrenamiento de modelos de diagnóstico.
La integración robusta de detección OOD en los flujos de generación de imágenes no solo aumentará la
confiabilidad de los modelos, sino que también ampliará su aplicabilidad en entornos donde la calidad y la seguridad
son primordiales.
AGRADECIMIENTOS
Los autores desean expresar su agradecimiento al proyecto “Desarrollo de métodos y herramientas de
software para el aprendizaje de redes neuronales federadas y generativas para el uso eficiente y seguro de imágenes
médicas”, del programa ARIA, por el apoyo y las facilidades brindadas para la realización de esta investigación.
REFERENCIAS
Amodei, D. (2016). Concrete Problems in AI Safety. https://doi.org/https://doi.org/10.48550/arXiv.1606.06565
Barratt, S., & Sharma, R. (2018). A note on the inception score. ArXiv Preprint ArXiv:1801.01973.
Benny, Y., Galanti, T., Benaim, S., & Wolf, L. (2021). Evaluation Metrics for Conditional Image Generation.
International Journal of Computer Vision, 129(5). https://doi.org/10.1007/s11263-020-01424-w
Chong, M. J., & Forsyth, D. (2020). Effectively unbiased fid and inception score and where to find them. Proceedings
of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 6070–6079.
Duy, P. T., Tien, L. K., Khoa, N. H., Hien, D. T. T., Nguyen, A. G. T., & Pham, V. H. (2021). DIGFuPAS: Deceive IDS with
GAN and function-preserving on adversarial samples in SDN-enabled networks. Computers and Security,
109. https://doi.org/10.1016/j.cose.2021.102367
Frid-Adar, M., Diamant, I., Klang, E., Amitai, M., Goldberger, J., & Greenspan, H. (2018). GAN-based synthetic medical
image augmentation for increased CNN performance in liver lesion classification. Neurocomputing, 321,
321–331.
Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., … Bengio, Y. (2014). Advances in
Neural Information Processing Systems: Generative Adversarial Nets. Advances in Neural Information
Processing Systems, 27.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., … Bengio, Y. (2020). Generative
adversarial networks. Communications of the ACM, 63(11). https://doi.org/10.1145/3422622
8
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Manejo de datos OOD en la generación de imágenes sintéticas: revisión
del estado del arte
Arbolaez Espinosa, A., García Lorenzo, M.M., Ruíz González, Y., Bello
Pérez, R.E.
Gulrajani, I., Ahmed, F., Arjovsky, M., Dumoulin, V., & Courville, A. (2017). Improved training of wasserstein GANs.
Advances in Neural Information Processing Systems, 2017-December.
Heusel, M., Ramsauer, H., Unterthiner, T., Nessler, B., & Hochreiter, S. (2017). GANs trained by a two time-scale
update rule converge to a local Nash equilibrium. Advances in Neural Information Processing Systems,
2017-December. https://doi.org/10.18034/ajase.v8i1.9
Ho, J., Jain, A., & Abbeel, P. (2020). Denoising diffusion probabilistic models. Advances in Neural Information
Processing Systems, 2020-December.
Karras, T., Aittala, M., Hellsten, J., Laine, S., Lehtinen, J., & Aila, T. (2020). Training generative adversarial networks
with limited data. Advances in Neural Information Processing Systems, 2020-December.
Kirichenko, P., Izmailov, P., & Wilson, A. G. (2020). Why normalizing flows fail to detect out-of-distribution data.
Advances in Neural Information Processing Systems, 2020-December.
LeVine, W., Pikus, B., Phillips, J., Norman, B., Gil, F. A., & Hendryx, S. (2024). Out-of-Distribution Detection &
Applications With Ablated Learned Temperature Energy. ArXiv Preprint ArXiv:2401.12129.
Li, Y., Chen, G., Chen, Y., & Xiong, B. (2024). SeTAR: Out-of-Distribution Detection with Selective Low-Rank
Approximation. NeurIPS. https://doi.org/https://doi.org/10.48550/arXiv.2406.12629
Liu, W., Wang, X., Owens, J. D., & Li, Y. (2020). Energy-based out-of-distribution detection. Advances in Neural
Information Processing Systems, 2020-December.
Mahapatra, D., Bozorgtabar, B., & Garnavi, R. (2019). Image super-resolution using progressive generative adversarial
networks for medical image analysis. Computerized Medical Imaging and Graphics, 71.
https://doi.org/10.1016/j.compmedimag.2018.10.005
Nalisnick, E., Matsukawa, A., Teh, Y. W., Gorur, D., & Lakshminarayanan, B. (2019). Do deep generative models know
what they don’t know? 7th International Conference on Learning Representations, ICLR 2019.
Nitsch, J., Itkina, M., Senanayake, R., Nieto, J., Schmidt, M., Siegwart, R., … Cadena, C. (2021). Out-of-distribution
detection for automotive perception. 2021 IEEE International Intelligent Transportation Systems
Conference (ITSC), 2938–2943.
Rayavarapu, S. M., & Sasibhushana Rao, G. (2025). Exploración de modelos generativos profundos para una mejor
generación de datos en la miocardiopatía hipertrófica. Ingenius Revista de Ciencia y Tecnología, (34).
Rombach, R., Blattmann, A., Lorenz, D., Esser, P., & Ommer, B. (2022). High-Resolution Image Synthesis with Latent
Diffusion Models. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern
Recognition, 2022-June. https://doi.org/10.1109/CVPR52688.2022.01042
Sharma, P., Kumar, M., Sharma, H. K., & Biju, S. M. (2024). Generative adversarial networks (GANs): Introduction,
Taxonomy, Variants, Limitations, and Applications. Multimedia Tools and Applications, 83(41).
https://doi.org/10.1007/s11042-024-18767-y
9
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Manejo de datos OOD en la generación de imágenes sintéticas: revisión
del estado del arte
Arbolaez Espinosa, A., García Lorenzo, M.M., Ruíz González, Y., Bello
Pérez, R.E.
Shin, H.-C., Tenenholtz, N. A., Rogers, J. K., Schwarz, C. G., Senjem, M. L., Gunter, J. L., … Michalski, M. (2018). Medical
image synthesis for data augmentation and anonymization using generative adversarial networks.
International Workshop on Simulation and Synthesis in Medical Imaging, 1–11.
Wang, Z., Ribeiro, F., & Mandt, S. (2024). On the Paradox of Learning to Reason from Data: Can We Learn Out-of-
Distribution? Transactions on Machine Learning Research.
https://doi.org/https://doi.org/10.48550/arXiv.2205.11502
Wibowo, M. C., Setyawan, I., Setiawan, A., & Sembiring, I. (2025). Deep Learning-Based Visualization of Network
Threat Patterns Using GAN-Generated Infographic. Jurnal RESTI, 9(4).
https://doi.org/10.29207/resti.v9i4.6717
Yang, J., Zhou, K., Li, Y., & Liu, Z. (2024). Generalized Out-of-Distribution Detection: A Survey. International Journal of
Computer Vision, 132(12). https://doi.org/10.1007/s11263-024-02117-4
Yoon, J. S., Oh, K., Shin, Y., Mazurowski, M. A., & Suk, H.-I. (2024). Domain generalization for medical image analysis:
A review. Proceedings of the IEEE.
Copyright © 2025, Autores: Arbolaez Espinosa, Ariadna, García Lorenzo, Maria Matilde, Ruíz González, Yusely, Bello
Pérez, Rafael E..
Esta obra está bajo una licencia de Creative Commons Atribución-No Comercial 4.0 Internacional
