Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/12169Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Millán Guerrero, Martín Ulises%1304957 | - |
| dc.creator | Millán Guerrero, Martín Ulises%1304957 | - |
| dc.date.accessioned | 2026-02-23T18:02:51Z | - |
| dc.date.available | 2026-02-23T18:02:51Z | - |
| dc.date.issued | 2025-10-27 | - |
| dc.identifier.uri | https://rinacional.tecnm.mx/jspui/handle/TecNM/12169 | - |
| dc.description | Esta tesis aborda el problema de la creciente dificultad para distinguir entre rostros naturales y aquellos generados artificialmente mediante inteligencia artificial. La proliferación de imágenes falsas y la manipulación de información en línea han hecho crucial el desarrollo de un sistema de reconocimiento preciso. El objetivo general de este proyecto es, por lo tanto, desarrollar un modelo que identifique si un rostro en una imagen fue generado artificialmente o no, mediante el análisis de imágenes y machine learning. La metodología empleada incluyó el estudio del estado del arte para comprender cómo se caracterizan los rostros naturales y artificiales, así como el análisis de herramientas y redes generadoras de rostros artificiales. Se recopilaron conjuntos de datos de rostros reales y sintéticos. Se implementó una red neuronal para el reconocimiento de rostros y se evaluó cuantitativamente el sistema desarrollado, utilizando métricas de rendimiento de modelos de machine learning. Además, se utilizaron técnicas de aumento de datos, incluyendo Deep Dream y deformación de imágenes. La experimentación involucró más de 10 arquitecturas, de las cuales se seleccionó la mejor (MViTv2), a la cual se le realizaron modificaciones para mejorar su capacidad de generalización. Los resultados más importantes incluyen la obtención de un modelo con una exactitud promedio del 98.39% en la clasificación de rostros. Además, se identificaron áreas de mejora, como la robustez frente a modelos de difusión y técnicas de post-procesamiento. La inclusión de técnicas de aumento de datos como Deep Dream y deformación de imágenes fue crucial para mejorar el rendimiento del modelo. En conclusión, se desarrolló un modelo eficaz para la detección de rostros generados artificialmente, con áreas de mejora identificadas para futuras investigaciones. El modelo final cumplió con el objetivo general del proyecto, proporcionando una herramienta robusta para discernir entre rostros naturales y sintéticos, en diversos escenarios. | es_MX |
| dc.language.iso | spa | es_MX |
| dc.publisher | Tecnológico Nacional de México | es_MX |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
| dc.subject | info:eu-repo/classification/cti/7 | es_MX |
| dc.subject.other | GAN, Visual transformers, deepfakes, deep learning, clasificación | es_MX |
| dc.title | Modelo de diferenciación de rostros naturales y producidos por GANs | es_MX |
| dc.type | info:eu-repo/semantics/masterThesis | es_MX |
| dc.contributor.director | Magadán Salazar, Andrea% Moctezuma Ochoa, Daniela Alejandra%226258 | - |
| dc.folio | 1534 | es_MX |
| dc.rights.access | info:eu-repo/semantics/openAccess | es_MX |
| dc.publisher.tecnm | Centro Nacional de Investigación y Desarrollo Tecnológico | es_MX |
| Appears in Collections: | Tesis de Maestría en Computación | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| MC_Martin_Ulises_Millan_Guerrero_2025.pdf | Tesis | 3.73 MB | Adobe PDF | View/Open |
| MC_Martin_Ulises_Millan_Guerrero_2025_c.pdf Restricted Access | Cesión de derechos | 443.22 kB | Adobe PDF | View/Open Request a copy |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
