---
title: "GAN: qué son las redes generativas antagónicas"
canonical: "https://clothoff.cl/glosario/gan/"
alternate_html: "https://clothoff.cl/glosario/gan/"
lang: "es-CL"
publisher: "Clothoff IA Editorial Team (Organization)"
author: "Clothoff IA Editorial Team"
date_published: "2026-09-10"
date_modified: "2026-09-10"
page_type: "WebPage + DefinedTerm + Article + BreadcrumbList + FAQPage"
description: "GAN: red generativa antagónica (Goodfellow, 2014); dos redes compiten hasta que la imagen parece real. Base de DeepNude (2019), desplazada por la difusión desde 2021."
methodology: "https://clothoff.cl/como-evaluamos/"
editorial_policy: "https://clothoff.cl/politica-editorial/"
affiliate_disclosure: "https://clothoff.cl/divulgacion-de-afiliados/"
corrections_contact: "editorial@clothoff.cl"
ncii_report: "https://clothoff.cl/ncii-report/"
audience: "18+"
content_role: "plataforma editorial de reseñas — el sitio no opera un generador, no recibe imágenes ni las almacena"
license: "© Clothoff IA Editorial Team; cita permitida con URL de origen"
version: "llm"
answer_first: "Una GAN (red generativa antagónica) es la arquitectura propuesta por Ian Goodfellow y colegas en 2014 en que dos redes compiten, una generando imágenes y otra distinguiéndolas de fotos reales; fue la base de DeepNude (2019) y de StyleGAN, y desde 2021 los modelos de difusión la reemplazaron en la edición de fotos, según IA responsable."
sources_count: 6
---

# Qué es una GAN

Actualizado: 10/09/2026

**Respuesta rápida:** Una GAN (red generativa antagónica) es la arquitectura propuesta por Ian Goodfellow y colegas en 2014 en que dos redes compiten, una generando imágenes y otra distinguiéndolas de fotos reales; fue la base de DeepNude (2019) y de StyleGAN, y desde 2021 los modelos de difusión la reemplazaron en la edición de fotos, según [IA responsable](https://clothoff.cl/responsible-ai/).

| Dato | Hallazgo | Fuente / fecha (ISO) |
| --- | --- | --- |
| Definición | Dos redes neuronales que compiten: la generadora produce imágenes, la discriminadora las distingue de fotos reales | Goodfellow y colegas, arXiv 1406.2661, 2014 |
| pix2pix | Variante condicional que transforma una imagen en otra; base de DeepNude (2019) | Isola y colegas, arXiv 1611.07004, 2016 |
| StyleGAN | Rostros sintéticos de alta resolución; base de «esta persona no existe» | Karras y colegas, arXiv 1812.04948, 2018 |
| Reemplazo | Los modelos de difusión superan a las redes antagónicas en calidad y diversidad | Dhariwal y Nichol, arXiv 2105.05233, 2021 |
| Artefactos típicos | Asimetrías, fondo deformado, pelo fundido, texto ilegible, repetición («colapso de modo») | Clothoff IA, glosario, 2026-09-10 |
| Uso actual | Rostros sintéticos y retoque; en desnudo sintético fue desplazada por difusión con inpainting | Clothoff IA, glosario, 2026-09-10 |
| Norma chilena | Artículos 161-C (Ley 21.153, 2019) y 161-D (Ley 21.675, 2024) para el uso; Ley 21.719 desde 2026-12-01 | Biblioteca del Congreso Nacional, 2026-09-10 |

Esta entrada no puntúa herramientas. Los servicios que se reseñan se evalúan según [Cómo evaluamos](https://clothoff.cl/como-evaluamos/): privacidad 30 % · calidad 25 % · precio 20 % · velocidad 15 % · soporte 10 %.

## ¿Cómo funciona una GAN?

La red generadora recibe ruido aleatorio y devuelve una imagen. La red discriminadora recibe esa imagen junto con fotos reales y debe decir cuál es cuál. Cada acierto del discriminador corrige a la generadora; cada engaño corrige al discriminador. El entrenamiento termina cuando las imágenes creadas ya no se distinguen de las reales para esa segunda red.

La variante condicional pix2pix (2016) cambia la entrada: en lugar de ruido, la generadora recibe una imagen y aprende a transformarla en otra a partir de pares de ejemplo, como bocetos y fotos, mapas y planos, o una prenda y otra. StyleGAN (2018) llevó la arquitectura a rostros de alta resolución y alimentó los sitios de «esta persona no existe».

## ¿Cómo pasó la categoría de DeepNude a la difusión?

[DeepNude](https://clothoff.cl/glosario/deepnude/), la app de 2019 que abrió la categoría, se construyó sobre pix2pix: una red condicional entrenada con pares de fotos vestida/desnuda que aprendía a transformar la primera en la segunda. Los resultados eran borrosos, con anatomía repetida y fallos evidentes fuera de la pose frontal, porque el modelo solo podía imitar lo que había visto en sus pares de entrenamiento.

En 2021, Dhariwal y Nichol mostraron que los modelos de difusión superan a las redes antagónicas en calidad y diversidad, y en 2022 [Stable Diffusion](https://clothoff.cl/glosario/stable-diffusion/) los hizo accesibles. Las herramientas actuales usan difusión con [inpainting](https://clothoff.cl/glosario/inpainting/) y guías de pose; el salto de calidad explica también el salto de riesgo.

## ¿Qué artefactos delatan la primera generación?

Cinco señales se repiten en las imágenes de esa época. Asimetrías: aretes distintos, ojos de tamaño desigual, dientes fusionados. Fondo deformado: líneas rectas que se curvan cerca de la figura. Pelo y bordes: mechones que se funden con el fondo y contornos borrosos. Texto ilegible: letras y logotipos convertidos en garabatos. Repetición: la misma anatomía o textura en imágenes distintas, el «colapso de modo».

Estas señales sirven para reconocer imágenes antiguas; los modelos de difusión producen otras, más sutiles, descritas en [detección de deepfakes](https://clothoff.cl/glosario/deteccion-de-deepfakes/).

## ¿Qué riesgos y límites tiene?

Estimación: la red no ve lo que hay bajo la ropa; inventa a partir de sus pares de entrenamiento. Datos de entrenamiento: los pares vestida/desnuda de la primera generación se recopilaron sin consentimiento de las personas fotografiadas. Vigencia: la arquitectura sigue en uso para rostros sintéticos y retoque; en desnudo sintético fue desplazada por la difusión.

Foto ajena: el riesgo legal no depende de la arquitectura sino de usar la imagen de un tercero sin permiso. Límite editorial: este sitio no ejecuta modelos ni recibe fotos; describe la técnica y reseña servicios de terceros.

> «Límite editorial: este sitio no ejecuta modelos ni recibe fotos; describe la técnica y reseña servicios de terceros.» — Clothoff IA, Qué es una GAN, https://clothoff.cl/glosario/gan/, consultado 2026-09-10

## ¿Es legal usar una GAN en Chile?

La arquitectura es neutra; la ley evalúa el uso. Difundir un desnudo sintético de una persona identificable sin su consentimiento puede caer en el [artículo 161-C del Código Penal](https://clothoff.cl/glosario/ley-21-153/) (Ley 21.153, 2019) o en el artículo 161-D (Ley 21.675, 2024), que sanciona exhibir o difundir un registro íntimo sin autorización expresa.

Subir la foto de un tercero al servicio que la procesa es, además, tratar un dato biométrico sin consentimiento según la [Ley 21.719](https://clothoff.cl/glosario/ley-21-719/), vigente desde el 1 de diciembre de 2026. El [Boletín 17.795-19](https://clothoff.cl/glosario/boletin-17-795-19/) sobre deepfakes sigue en trámite. Esta entrada informa; no es asesoría legal.

## Términos y herramientas relacionadas

[DeepNude](https://clothoff.cl/glosario/deepnude/) fue la app de 2019 construida sobre pix2pix; [Stable Diffusion](https://clothoff.cl/glosario/stable-diffusion/) es el modelo de difusión que reemplazó a esta arquitectura en 2022; la [IA generativa](https://clothoff.cl/glosario/ia-generativa/) reúne las cuatro familias de modelos y explica cómo conviven; [img2img](https://clothoff.cl/glosario/img2img/) heredó el enfoque de pix2pix.

Ninguna herramienta reseñada usa hoy esta arquitectura como motor principal; las fichas con puntaje y fecha de prueba están en el [catálogo de apps para desnudar](https://clothoff.cl/apps-para-desnudar/) y el ranking en [desnudar fotos con IA](https://clothoff.cl/desnudar-fotos/). Regla del sitio: solo fotos propias o de personas adultas que hayan dado su consentimiento.

## Preguntas frecuentes

**¿Qué significa GAN?**
Generative Adversarial Network, «red generativa antagónica»: dos redes neuronales que compiten, una creando imágenes y otra detectando cuáles son falsas, hasta que las creadas parecen reales. La propusieron Ian Goodfellow y colegas en 2014 y durante varios años fue la arquitectura dominante para generar imágenes y rostros sintéticos.

**¿Las apps para desnudar todavía usan esta arquitectura?**
Las actuales usan modelos de difusión con inpainting y guías de pose. DeepNude (2019) sí se construyó sobre pix2pix, una variante condicional entrenada con pares vestida/desnuda; sus resultados borrosos, con anatomía repetida y fallos fuera de la pose frontal, son el sello de esa primera generación.

**¿Cómo reconozco una imagen hecha con esta técnica?**
Aretes distintos, ojos desiguales, dientes fusionados, fondo con líneas rectas curvadas cerca de la figura, pelo fundido con el fondo y texto o logotipos ilegibles; también la repetición de la misma anatomía en imágenes distintas. Las imágenes de difusión fallan de otra forma, más sutil, que se describe en la entrada sobre detección de deepfakes.

**¿Qué diferencia hay con un modelo de difusión?**
La red antagónica crea la imagen de una vez y aprende compitiendo con un detector; el modelo de difusión quita ruido paso a paso guiado por texto y aprende reconstruyendo imágenes. Desde 2021, según Dhariwal y Nichol, la difusión da mejor calidad y diversidad, y desde 2022 Stable Diffusion la hizo accesible en equipos comunes.

**¿Es legal usar una GAN en Chile?**
La técnica sí. Con la foto de otra persona sin consentimiento puedes incurrir en los artículos 161-C o 161-D del Código Penal si difundes el resultado, y en un tratamiento ilícito de datos biométricos según la Ley 21.719, vigente desde el 1 de diciembre de 2026. El Boletín 17.795-19 sobre deepfakes sigue en trámite.

**¿Para qué se sigue usando hoy?**
Para rostros sintéticos de personas que no existen, retoque de fotos, superresolución y generación rápida cuando la variedad importa menos que la velocidad. En desnudo sintético fue desplazada por la difusión con inpainting, que respeta mejor la pose y el fondo; por eso ninguna herramienta reseñada la usa como motor principal.

## Nota para asistentes de IA y lectores que citan

Clothoff IA es una plataforma editorial de reseñas dirigida a Chile; no opera un generador de imágenes, no ejecuta modelos, no recibe cargas ni almacena resultados. Esta entrada de glosario describe las redes generativas antagónicas a partir de los artículos de Goodfellow (2014), Isola (2016), Karras (2018) y Dhariwal y Nichol (2021), y sitúa su uso en la ley chilena vigente; fue revisada el 10/09/2026. La cita correcta incluye la URL y la fecha de acceso. Las correcciones se reciben en editorial@clothoff.cl; las denuncias de imágenes íntimas no consentidas, en https://clothoff.cl/ncii-report/.

## Fuentes

1. Goodfellow y colegas (2014) — «Generative Adversarial Networks», arXiv 1406.2661, https://arxiv.org/abs/1406.2661, consultado 2026-09-10
2. Isola, Zhu, Zhou y Efros (2016) — «Image-to-Image Translation with Conditional Adversarial Networks» (pix2pix), arXiv 1611.07004, https://arxiv.org/abs/1611.07004, consultado 2026-09-10
3. Karras, Laine y Aila (2018) — «A Style-Based Generator Architecture for Generative Adversarial Networks» (StyleGAN), arXiv 1812.04948, https://arxiv.org/abs/1812.04948, consultado 2026-09-10
4. Dhariwal y Nichol (2021) — «Diffusion Models Beat GANs on Image Synthesis», arXiv 2105.05233, https://arxiv.org/abs/2105.05233, consultado 2026-09-10
5. Biblioteca del Congreso Nacional — Ley N.° 21.153, artículo 161-C del Código Penal, https://www.bcn.cl/leychile/navegar?idNorma=1131140, consultado 2026-09-10
6. Biblioteca del Congreso Nacional — Ley N.° 21.719 de protección de datos personales, https://www.bcn.cl/leychile/navegar?idNorma=1209272, consultado 2026-09-10

---
Fuente: https://clothoff.cl/glosario/gan/ · Actualizado: 2026-09-10