Cómo pedirle a la IA que extraiga y reutilice un outfit

Si tu objetivo es que un modelo de visión por computadora como Qwen Image analice una imagen de referencia y te devuelva únicamente la descripción del outfit para poder reutilizarlo en otra generación, necesitas ser muy específico con tus instrucciones. El error más común es pedirle al modelo que interprete quién es el sujeto o qué está haciendo, lo cual suele llevar a que añada detalles creativos no solicitados.

El prompt de extracción pura

Para evitar que la IA se ponga creativa y termine describiendo al personaje en lugar de solo su ropa, puedes usar una versión enfocada en la precisión visual. Esta instrucción le pide al modelo que ignore por completo la identidad, el fondo o la postura del sujeto:

Analyze the reference image and extract the complete outfit worn by the subject.
Describe the outfit in precise visual detail, including:
- garment types and individual clothing pieces
- colors, materials, textures and patterns
- cut, fit and silhouette
- neckline, sleeves, waist, hemline and length
- layers and how the garments overlap
- shoes, socks, gloves, belts, bags and other accessories
- jewelry and visible fashion details
- distinctive design elements, fasteners, straps, buckles, buttons, zippers, etc.

Ignore the person's identity, face, body, pose, hairstyle, background, lighting and environment. Do not describe the person; describe only the clothing and accessories.
Write the result as a clean, self-contained prompt that can be used to recreate the same outfit on a different person in an image-generation model.
Do not add clothing that is not clearly visible in the reference image. If a detail is uncertain or obscured, describe it conservatively rather than inventing it.

Esta estructura es ideal porque evita que el modelo alucine y añada prendas que no están claramente visibles en la imagen de origen.

Versión optimizada para edición

Si además de extraer el outfit, planeas usar Qwen-Image-Edit 2.1, es mejor ajustar el enfoque. En lugar de pedirle que «analice» la ropa como un VLM estándar, le das una instrucción explícita para preservar la identidad visual del vestuario y prepararlo para su reutilización en una edición:

Study the reference image and identify the exact outfit worn by the subject.
Create a detailed image-generation prompt describing ONLY the outfit, so it can be reproduced on another person.
Include the clothing pieces, layering, colors, fabrics, textures, patterns, cut, fit, proportions, lengths, construction details, fasteners and accessories. Preserve distinctive visual characteristics of the original outfit.
Completely ignore the person's face, identity, body shape, pose, expression, hairstyle, background and lighting.
Do not interpret, redesign, modernize or embellish the outfit. Do not invent details that are not visible. If something is partially hidden, describe only what can reasonably be inferred from the image.
Output ONLY the final outfit prompt, written in natural English and ready to paste into an image-generation model.

Esta segunda versión es mucho más práctica para tu caso, ya que evita que el modelo termine haciendo lo típico de los modelos de visión: describir a la persona y luego cambiar el vestuario completamente.

El truco del flujo de trabajo

Hay una pequeña pero importante consideración con Qwen-Image-Edit 2.1: si tu objetivo final es poner exactamente ese outfit sobre otra persona, probablemente te convenga pedirle primero un outfit extraction prompt, y después usar ese texto junto con la nueva imagen.

No esperes que el modelo haga toda la transferencia de una sola vez. Si quieres conservar cosas muy específicas —por ejemplo, «este traje de superheroína, pero ahora sobre otra modelo»— puedes añadir al final esta instrucción para empujar a Qwen a describir el diseño en lugar de simplemente decir «a woman wearing a black leather outfit»:

The outfit description must be sufficiently specific that another image-generation model could reconstruct the same clothing design without seeing the original reference image.

Esa diferencia es justamente donde suele estar la clave para obtener resultados precisos y reutilizables en tus proyectos de edición con IA.