El problema
¿Puede una CNN distinguir rostros reales y sintéticos en un dataset controlado? Responder requiere más que una puntuación de entrenamiento: hacen falta etiquetas documentadas, particiones fijas y un conjunto de prueba que no influya en la selección del modelo.
Es un proyecto académico. Mi contribución se concentra en el protocolo de particiones y la CNN base. La nueva iteración se reconstruye desde la preparación de datos, antes de comparar modelos de transferencia.
La evaluación forma parte del sistema
Fijar el experimento antes de cambiar el modelo
RVF10K contiene 5.000 rostros reales procedentes de FFHQ/NVIDIA y 5.000 sintéticos de StyleGAN. Un manifiesto asigna 7.000 imágenes a entrenamiento, 1.500 a validación y 1.500 a prueba. Estas asignaciones permiten comparar experimentos.
Separar selección y evaluación
La validación orienta la selección del modelo. El conjunto de prueba se reserva para la evaluación final, no para decidir arquitecturas, épocas o hiperparámetros. Precision, recall y F1 por clase complementan accuracy.
Establecer primero la línea base
La referencia es una CNN propia. La comparación con VGG-19, ResNet y MobileNet está prevista bajo el mismo protocolo; no se presenta como experimentación completada.
Resultado histórico, alcance explícito
El experimento anterior reportó 76,27 % de accuracy en test, con precision, recall y F1 cercanos a 0,76 para ambas clases. Su notebook, informe y manifiesto están versionados en un repositorio privado.
La cifra corresponde al experimento anterior, no a la reconstrucción actual. Mide el desempeño en este dataset controlado y no demuestra robustez ante generadores nuevos, compresión o rostros de otra distribución.
La reproducibilidad incluye los artefactos
El checkpoint anterior se guardó en el sistema de archivos temporal de Colab y no se preservó. Esto limita la reproducción a partir de los pesos y obliga a reentrenar.
El siguiente paso es auditar otra vez rutas, etiquetas y particiones, reconstruir la CNN, preservar el checkpoint y después comparar modelos. En esta etapa no existe una demo pública de inferencia.