Cómo evitar que el modelo copie en lugar de adaptar poses entre imágenes

Uno de los problemas más frustrantes al trabajar con modelos generativos es cuando el resultado final se siente como un simple copiar y pegar en lugar de una adaptación real. Esto suele pasar, por ejemplo, cuando usas dos imágenes de referencia para generar un video: una para definir el entorno y la otra para definir la pose.

El problema surge cuando estas dos imágenes son demasiado similares. Si compartes el mismo escenario o una perspectiva muy parecida, el modelo tiende a interpretar la imagen de la pose como si ya fuera el resultado final y simplemente la reproduce.

Análisis del problema

La raíz del error es clara: al definir la segunda imagen solo como referencia de pose e interacción, el modelo no establece una jerarquía suficiente. Cuando las imágenes son similares, el sistema ve a la segunda como un resultado ya terminado y decide copiarla en lugar de trabajar sobre ella.

La solución: Jerarquía y Transferencia

Para solucionar esto, hay que cambiar la lógica del prompt. En su lugar, debemos definir claramente una operación de transferencia de pose entre escenas. La primera imagen se convierte en el mundo de destino absoluto, mientras que la segunda es solo información corporal pura.

Será necesario añadir una sección de jerarquía de referencia que establezca explícitamente qué debe ignorarse y qué debe transferirse. Esto incluye instrucciones directas sobre no reproducir el entorno o la cámara de la imagen de pose, sino extraer solo la posición de los brazos, la orientación del torso y las distancias entre los sujetos.

Cambios conceptuales clave

Hay dos ajustes mentales que hacen una diferencia enorme. El primero es usar verbos de transformación como ‘Extract’, ‘discard’ y ‘reconstruct’. Esto elimina cualquier ambigüedad sobre si la imagen debe ser copiada.

El segundo cambio es tratar la pose no como una composición 2D, sino como una configuración espacial 3D. Al pedirle al modelo que imagine dónde están los cuerpos en el espacio y luego los ‘re-fotografíe’ desde la cámara de la primera imagen, logras esa operación precisa de adaptación.

Aplicar estos cambios permite obtener un resultado donde la acción se siente natural y el entorno es fiel a lo planeado, sin caer en la duplicación visual que suele frustrar tanto.