La fotografía que se desvanece.
En muchas casas, la fotografía más valiosa no es necesariamente la mejor conservada. Puede ser una imagen pequeña, doblada y descolorida en la que apenas se distingue el rostro de un abuelo, una celebración antigua o una calle que ya no existe. Durante décadas, recuperar estos recuerdos familiares requería paciencia, conocimientos avanzados, herramientas profesionales y muchas horas de retoque manual. Era un proceso costoso y lento que reservaba la restauración a piezas de gran valor o a aficionados con mucho tiempo.
Los nuevos sistemas de inteligencia artificial han llegado para reducir esa barrera y acelerar el proceso. Con una intervención mínima, algunos programas detectan arañazos, reducen el ruido, reconstruyen bordes perdidos y mejoran la nitidez de las caras gastadas por el tiempo. Sin embargo, la aparente facilidad del resultado esconde una pregunta delicada sobre la autenticidad del recuerdo. Cuando una herramienta de visión artificial decide el tono de unos ojos descoloridos o el patrón de un vestido manchado, ¿está recuperando la fotografía original o está imaginando una versión verosímil pero inventada?
Dualidad entre el recuerdo original y la reconstrucción digital: una fotografía familiar desgastada muestra el contraste entre el deterioro del papel con el paso del tiempo y la nitidez recuperada mediante técnicas de restauración asistida por IA.
La inteligencia artificial ofrece la oportunidad de rescatar un legado que se extingue, pero obliga a trazar una frontera clara entre la conservación física, el arreglo digital técnico y la recreación generativa.
Antes del algoritmo, un buen escaneado
Antes de recurrir a la inteligencia artificial para arreglar una foto antigua, el primer paso en cualquier hogar debería ser una buena digitalización. Como recuerda el Instituto del Patrimonio Cultural de España (IPCE), disponer de una copia digital de alta calidad permite consultar y compartir las imágenes sin volver a manipular la fotografía física. Así se evita desgastarla, mancharla o deteriorarla aún más.
El paso fundacional de la conservación: digitalización en alta resolución para generar una copia maestra sin retoques, protegiendo el soporte físico y asegurando un respaldo bajo la regla 3-2-1 con sus correspondientes metadatos.
Para no perder detalles valiosos por el camino, los Archivos Nacionales de Estados Unidos y otras instituciones especializadas aconsejan crear una «copia maestra». Se trata de un escaneado de alta resolución, guardado en un formato que no reduzca la calidad y sin aplicar filtros ni retoques automáticos de color. La meta es capturar una representación fiel del papel tal y como se encuentra en el presente, con sus luces, sus sombras y sus marcas del paso del tiempo.
Además, estas instituciones recomiendan acompañar los archivos digitales con información básica —los metadatos: quién aparece, dónde y cuándo se tomó la foto— y aplicar la regla de seguridad 3-2-1: guardar tres copias del archivo en dos soportes diferentes —por ejemplo, el ordenador y un disco duro— y mantener al menos una fuera de casa, como en la nube. Conservar intacta esta primera copia digital permite que cualquier retoque posterior sea reversible y no destruya el registro del estado original.
Cómo aprende una máquina a reparar una imagen
Para entender la inteligencia artificial aplicada a una foto descolorida o rota, conviene saber que el ordenador no «mira» la fotografía como un ser humano. La máquina procesa valores numéricos organizados en una cuadrícula de píxeles y busca patrones repetidos.
Esquema del procesamiento algorítmico: la red neuronal analiza la imagen dividiendo el trabajo entre la reconstrucción de daños estructurados —grietas y manchas— y el modelado de daños difusos mediante el reconocimiento de patrones visuales.
El entrenamiento de estos sistemas comienza con un recurso ingenioso: los investigadores toman imágenes modernas de buena calidad y las dañan a propósito. Añaden grietas, borrones, ruido digital, manchas o tonos amarillentos simulados. De este modo, la máquina puede comparar de forma masiva la versión estropeada con la limpia. Mediante redes de aprendizaje profundo, el algoritmo aprende qué transformaciones puede aplicar para producir una versión limpia plausible, aunque no necesariamente idéntica al original que se perdió. [5, 10]
Cuando un programa analiza una foto familiar real, distingue dos tipos principales de problemas:
Daños localizados: son los arañazos, manchas o pliegues. Para tratarlos, la máquina examina el entorno de la zona dañada y «rellena» el hueco adaptando texturas o colores cercanos.
Daños generales: incluyen la falta de contraste, el desenfoque o el grano excesivo. Aquí, la tecnología puede aplicar modelos de superresolución para estimar detalles probables.
Por último, en los procesos de colorización o restauración de rostros, la máquina consulta una biblioteca interna de patrones aprendidos. Si a una cara le falta nitidez, el algoritmo busca rasgos de rostros similares y dibuja unos ojos, pestañas o labios verosímiles. La máquina no está «recordando» a la persona de la foto, sino calculando qué rasgos suelen tener las personas en imágenes con esa iluminación y ángulo.
El proyecto que devolvió claridad a las fotos antiguas
Uno de los avances más destacados en esta materia es el proyecto Bringing Old Photos Back to Life, presentado en 2020 en la Conferencia sobre Visión por Computador y Reconocimiento de Patrones (CVPR) por investigadores de City University of Hong Kong, Microsoft Research Asia, Microsoft Cloud AI y la Universidad de Ciencia y Tecnología de China.
Este equipo diseñó un marco de trabajo capaz de resolver múltiples daños simultáneos. Su mayor reto era que, a diferencia de los experimentos de laboratorio, las fotografías antiguas reales no cuentan con una copia intacta original con la que comparar el resultado para saber si el ordenador ha acertado o fallado.
Arquitectura dual de autocodificadores variacionales (VAE) presentada en CVPR 2020: combinación de ramas globales y locales para duplicar la claridad de la imagen, supeditada al juicio visual humano ante la ausencia de una copia original de referencia.
Para afrontar este problema, crearon una arquitectura basada en dos autocodificadores variacionales (VAE). En lugar de trabajar únicamente píxel por píxel sobre la imagen visible, transformaron las imágenes dañadas y las limpias en dos representaciones matemáticas compactas, conocidas como espacios latentes. Al acercar ambas representaciones, el sistema aprendió a traducir patrones deteriorados en versiones visualmente más limpias.
El sistema dividió el trabajo en dos áreas especializadas:
1. Rama global: dedicada a reparar daños estructurados, como arañazos y manchas de polvo.
2. Rama local: enfocada en reducir daños no estructurados y extendidos, como el ruido y la borrosidad.
En las pruebas de laboratorio con imágenes de ensayo, los resultados fueron impresionantes: el sistema logró casi duplicar la claridad de las fotografías —eliminando el grano y las interferencias— y redujo a menos de la mitad las imperfecciones visuales, consiguiendo una imagen mucho más natural. Sin embargo, al trabajar con fotos antiguas reales surge un obstáculo inevitable: no existe una copia original impecable con la que comparar matemáticamente el resultado. En la práctica, la única forma de juzgar la restauración es a simple vista. Por esta razón, sus propios creadores aclaran que se trata de una herramienta de investigación muy avanzada y accesible para todos, pero no de un método oficial de archivo ni de un sistema que garantice una fidelidad histórica infalible.
Entre el recuerdo y la invención
El verdadero dilema de la restauración digital aparece cuando la información física ha desaparecido por completo. Si una grieta cruza la cara de una persona y elimina un ojo o la boca, los modelos generativos actuales, como GFP-GAN o CodeFormer, recurren a patrones faciales aprendidos previamente para reconstruir la zona. El resultado puede ser impactante y nítido, pero abre un debate ético: la herramienta no está recuperando el rostro real del familiar, sino generando rasgos plausibles a partir de amplios conjuntos de imágenes.
Ocurre algo similar con la colorización automática. Proyectos como Colorful Image Colorization —desarrollado por Zhang, Isola y Efros— muestran que la inteligencia artificial asigna colores plausibles para el ojo humano a partir de patrones aprendidos en más de un millón de imágenes. Por ejemplo, el programa podría colorear un sombrero en marrón y una chaqueta en azul porque son opciones frecuentes en sus datos, pero ignoraría si en la realidad esas prendas eran verdes o rojas.
Estas limitaciones técnicas traen consigo riesgos de sesgos culturales y alteraciones involuntarias de la memoria. Europeana advierte de que las herramientas de inteligencia artificial pueden introducir información inexistente en los archivos históricos y difuminar la frontera entre representación auténtica y modificación. La versión generativa no debería sustituir nunca al original, sino presentarse como una recreación interpretativa, identificada y contextualizada.
Conservar la memoria sin confundirla
La inteligencia artificial nos brinda una oportunidad maravillosa para conectar emocionalmente con nuestras raíces y rejuvenecer álbumes familiares que parecían condenados al olvido. No obstante, para cuidar la historia personal sin desdibujarla, conviene adoptar un flujo de trabajo familiar responsable estructurado en cuatro capas:
1. El original físico: conservado en un sobre o una caja de calidad archivística, lejos de la humedad y la luz directa. Si la pieza es valiosa o presenta daños complejos, conviene consultar a un profesional de la conservación.
2. El escaneado maestro: la copia digital fiel, preferiblemente en un formato sin pérdida como TIFF y libre de retoques.
3. La restauración conservadora: correcciones digitales básicas que eliminan polvo, ajustan el brillo o corrigen inclinaciones sin inventar información.
4. La versión generativa o coloreada: el resultado de la IA para imprimir o compartir, siempre acompañado de una etiqueta clara que indique su naturaleza de «recreación asistida por IA».
Compartir estas fotografías restauradas con la familia, especialmente con las generaciones mayores que conocieron a sus protagonistas o los lugares originales, ofrece una valiosa comprobación contextual y puede abrir una conversación entrañable. La tecnología debe actuar como un puente de claridad hacia el pasado: un medio para complementar el recuerdo, pero nunca un sustituto que reescriba la historia real. La clave no es renunciar a la herramienta, sino poder distinguir siempre lo registrado de lo reconstruido.
