Manejo de datos OOD en la generación de imágenes sintéticas: revisión del estado del arte

Arbolaez Espinosa  Ariadna; Maria Matilde Garcia Lorenzo; Yusely Ruíz González; Rafael E. Bello Pérez

Autores/as

Arbolaez Espinosa Ariadna Universidad Central "Martha Abreu" de Las Villas
Maria Matilde Garcia Lorenzo Universidad Central "Martha Abreu" de Las Villas
Yusely Ruíz González Universidad Central "Martha Abreu" de Las Villas
Rafael E. Bello Pérez Universidad Central "Martha Abreu" de Las Villas

Palabras clave:

datos fuera de distribución, detección de anomalías, evaluación de modelos, generación de imágenes sintéticas, modelos generativos

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.

Citas

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

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

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.