# PEEK busca reducir errores al generar imágenes con difusión

> Investigadores proponen un complemento de muestreo que no requiere entrenamiento y que, según afirman, mejora las puntuaciones de generación en ocho modelos de difusión, con un costo de calibración reducido.

Oossa · 2026-11-05 · https://oossa.com/es/peek-aims-to-reduce-diffusion-image-errors-during-sampling

Un grupo de investigadores presentó PEEK, un complemento que no requiere entrenamiento para generadores de imágenes por difusión. En determinados pasos del muestreo, realiza una evaluación adicional del denoiser y utiliza esa predicción anticipada para ajustar el paso siguiente y reducir el sesgo de exposición: la diferencia entre las entradas de entrenamiento y las entradas imperfectas con las que se encuentra el modelo al generar imágenes.

Los autores informan de mejoras frente a modelos de referencia con el mismo número de evaluaciones del denoiser en ocho modelos de espacio de píxeles y espacio latente, incluidos los que se guían por texto. Informan de mejoras de hasta un 49.3% en FID; en sus experimentos, calibrar el complemento para un modelo llevó como máximo 2.2 minutos.

## Los hechos

- El artículo fue aceptado en NeurIPS 2026.
- Los autores probaron PEEK en ocho modelos de difusión e informan de mejoras de hasta un 49.3% en FID.

## Por qué importa

Para los equipos que investigan generadores de imágenes por difusión, PEEK ofrece un método que actúa en el muestreador y puede probarse sin volver a entrenar el modelo, aunque el artículo no demuestra cómo funciona en productos desplegados.

## Fuentes y referencias

1. [PEEK: One-Step-Look-Ahead Exposure Bias Correction for Diffusion Sampling](https://arxiv.org/abs/2611.05407) – arXiv cs.CV, 2026-11-05

Última actualización: 2026-11-05