Estudiante UAM realiza Esteganálisis de imágenes con 93.46 % de efectividad

Mariline Catalina Delgado, estudiante de la Maestría en Ingeniería de la Universidad Autónoma de Manizales, desarrolló un estudio comparativo sobre el rendimiento de modelos de inteligencia artificial para el esteganálisis de imágenes en el dominio espacial, obteniendo resultados destacados en efectividad y precisión. Su tesis se titula:
“Análisis comparativo del rendimiento de Transformers, CapsNet y Kolmogorov Arnold Network para el esteganálisis de imágenes en el dominio espacial.”

¿Qué es el esteganálisis de imágenes y por qué es importante?

El esteganálisis es una técnica que permite detectar la presencia de mensajes ocultos dentro de imágenes digitales, los cuales no son visibles al ojo humano. Este campo cobra gran relevancia en la era de la inteligencia artificial, especialmente en contextos de seguridad digital, transformación tecnológica y comunicaciones seguras.
Modelos comparados: CapsNet, Transformer, KAN y una nueva propuesta: R-SIT

En su investigación, Delgado comparó el rendimiento de tres arquitecturas avanzadas de IA:

• Transformer
• Redes de Cápsulas (CapsNet)
• Kolmogorov Arnold Network (KAN)

El análisis también incluyó la propuesta de un nuevo modelo propio, R-SIT (Swin Transformer Interpretable), y la implementación de una API REST para realizar inferencias automáticas con los cuatro modelos.

Los modelos fueron evaluados en distintos escenarios de preprocesamiento de imágenes, como la normalización, partición de datos y aplicación de filtros, lo cual permitió observar la sensibilidad de cada uno frente a las condiciones de entrada.

Resultados clave:

• CapsNet: 93.46 % de efectividad general.
• KAN: 93.35 %, mostrando gran estabilidad ante diferentes condiciones.
• Transformer: 93.25 %, destacando en adaptabilidad a rangos pequeños de imagen.
• R-SIT: 91.05 %, con un enfoque interpretativo desde la arquitectura Swin Transformer.

Visualización e interpretación: mapas de activación con Grad-CAM

Una de las innovaciones del estudio fue el uso de Grad-CAM, una técnica que permite visualizar qué partes de la imagen influyeron en la toma de decisiones del modelo. Se evidenció que los modelos basados en CNN y atención enfocan su análisis en zonas de alto contraste o bordes, mientras que R-SIT logra ampliar su foco a regiones que antes pasaban desapercibidas.

Contribuciones a la investigación y seguridad digital

Este trabajo no solo aporta al mejor entendimiento del comportamiento de modelos de inteligencia artificial en el esteganálisis de imágenes, sino que también ofrece herramientas prácticas como la API REST y la arquitectura R-SIT, que pueden ser aplicadas en contextos reales donde la seguridad de la información y la detección de alteraciones digitales son críticas.

La tesis de Mariline Catalina Delgado representa un avance importante en la integración de IA y análisis de imágenes digitales, abriendo nuevas posibilidades para la comunicación segura en la transformación digital y demostrando el potencial de la investigación académica para resolver desafíos tecnológicos actuales.