La ropa adversarial aprovecha las limitaciones de los sistemas de inteligencia artificial y dificulta que estos identifiquen correctamente a quien las lleva. Los algoritmos de visión artificial, utilizados para detectar personas, rostros u otros objetos en tiempo real, analizan patrones visuales muy específicos, como la forma del cuerpo, los contornos, las texturas y, en el caso del reconocimiento facial, la disposición de elementos como los ojos, la nariz y la boca. La ropa adversarial incorpora diseños creados cuidadosamente, a menudo con ayuda de la propia inteligencia artificial, que alteran esos patrones y hacen que el sistema interprete la escena de forma incorrecta. En algunos casos, la máquina puede confundir a la persona con otro objeto o incluso no detectarla como una persona.
Esta idea tiene su origen en un área de investigación conocida como aprendizaje adversarial, que estudia cómo pequeñas modificaciones en una imagen pueden engañar a los modelos de inteligencia artificial. A pesar de su enorme capacidad, las redes neuronales profundas pueden ser sorprendentemente sensibles a cambios casi imperceptibles para el ojo humano. Un conjunto de formas, colores o manchas que para nosotros parecen simples elementos decorativos puede ser suficiente para que un algoritmo reduzca drásticamente su nivel de confianza o clasifique incorrectamente lo que observa. Cuando esos patrones se trasladan a una prenda mediante impresión, tejido u otras técnicas de fabricación, se convierten en una especie de camuflaje digital. Es similar a los conocidos efectos de ilusión óptica, pero, en este caso, quien se confunde es el algoritmo encargado de interpretar la imagen.
Uno de los proyectos más conocidos en este ámbito fue desarrollado por la startup italiana Cap_able. Su colección denominada Manifesto incorpora patrones tejidos en la tela que funcionan como parches adversariales. Cuando estas prendas son observadas por cámaras que utilizan detectores de objetos ampliamente empleados, como YOLO (You Only Look Once), el sistema puede llegar a identificar figuras como una jirafa, un perro o una cebra en lugar de reconocer correctamente a la persona. Según las pruebas realizadas por la propia empresa, la efectividad varía aproximadamente entre el 60% y el 90%, dependiendo de factores como la iluminación, la distancia y el ángulo desde el que se observa la prenda.
Existen también otras propuestas con objetivos similares. El artista e investigador Adam Harvey creó el proyecto HyperFace, basado en telas cubiertas con numerosos rostros falsos diseñados para saturar los detectores faciales. Al encontrar decenas de supuestas caras en una misma imagen, el algoritmo tiene mayores dificultades para localizar la verdadera. Otros investigadores han experimentado con luces infrarrojas invisibles para el ojo humano que interfieren con determinadas cámaras de visión nocturna, así como con materiales reflectantes capaces de dificultar la identificación de rasgos faciales. Más recientemente, algunos estudios han propuesto prendas fabricadas con tintes termocrómicos que permanecen ocultos a temperatura ambiente y revelan patrones adversariales únicamente cuando se calientan mediante pequeños dispositivos integrados en la ropa. Mientras permanecen inactivos, estos diseños son prácticamente invisibles; al activarse, proporcionan una protección temporal frente a determinados sistemas de visión artificial, tanto en el espectro visible como en el infrarrojo.
El interés por este tipo de tecnologías ha crecido porque los sistemas de reconocimiento facial y de detección automática de personas están cada vez más presentes en la vida cotidiana. Hoy es común encontrarlos en aeropuertos, estaciones de transporte, centros comerciales, edificios públicos, calles e incluso en dispositivos domésticos inteligentes. En el entorno digital es posible rechazar las cookies o desactivar algunas funciones de seguimiento, pero en el mundo físico resulta mucho más difícil evitar ser captado por una cámara. En este contexto, la ropa adversarial surge como una propuesta creativa para recuperar parte del anonimato. No hace invisible a quien la lleva ni garantiza que todos los sistemas fallen, ya que los algoritmos evolucionan constantemente y pueden entrenarse para superar este tipo de retos. Sin embargo, sí puede aumentar la probabilidad de error o reducir la confianza de algunos modelos, obligándolos a realizar comprobaciones adicionales antes de emitir una decisión.
Empero, un patrón que resulta eficaz frente a un determinado algoritmo puede dejar de funcionar cuando este se actualiza o cuando se utiliza un modelo diferente. Además, la iluminación, el movimiento de la persona, la distancia, las arrugas de la tela, la calidad de la cámara y el ángulo de observación pueden afectar considerablemente su rendimiento. A ello se suma que muchos de estos estampados poseen diseños llamativos que atraen la atención de las personas, lo que puede ir en contra del objetivo de pasar desapercibido. Aun así, la investigación continúa avanzando. Los científicos trabajan en patrones cada vez más discretos y en prendas que funcionen frente a distintos sistemas de detección al mismo tiempo. Este desarrollo refleja una competencia constante entre quienes perfeccionan las tecnologías de vigilancia y quienes buscan mecanismos para proteger la privacidad.
La ropa adversarial es un ingenioso intento de confundir a las máquinas. Hoy despierta el interés de diseñadores, especialistas en ciberseguridad y defensores de la privacidad.
Referencias:
- [2412.01440] BadPatch: Diffusion-Based Generation of Physical Adversarial Patches
- [2511.16020] Physically Realistic Sequence-Level Adversarial Clothing for Robust Human-Detection Evasion
- [2104.08422] Fashion-Guided Adversarial Attack on Person Segmentation
- Thermally Activated Dual-Modal Adversarial Clothing against AI Surveillance Systems
- Physically Realizable Natural-Looking Clothing Textures Evade Person Detectors via 3D Modeling