Ghost mannequin con IA (maniquí invisible): qué falla y cómo comprobarlo

El ghost mannequin —también llamado maniquí invisible o efecto hombre hueco— es una composición, no una sola toma. La sesión tradicional son dos fotos:

1. La prenda sobre un maniquí o busto, fotografiada de frente.
2. La prenda girada para que se vea el interior del cuello trasero, normalmente sin la pieza del cuello del maniquí.

Un editor recorta el maniquí de la foto 1 y pega el interior trasero de la foto 2 en la abertura del cuello. Ese parche es la unión del cuello (neck joint), y es todo el oficio de la técnica. Lo demás es quitar el fondo.

Las herramientas de ghost mannequin con IA reducen las dos fotos a una. Subes una sola imagen —en modelo, en percha, en busto— y se le pide al modelo que elimine a quien la lleva y que *invente* el interior trasero que nunca se fotografió. Esa es la diferencia que conviene retener: el método clásico compone algo real; el método con IA genera algo plausible. La mayoría de los fallos de abajo salen de ahí.

Hay tres maneras de fotografiar una prenda, y no son intercambiables:

Abrir la plantilla de moda para ecommerce

Cuando un resultado de ghost mannequin se ve raro pero no sabes por qué, revisa estas tres cosas en orden. Están ordenadas según la frecuencia con la que resultan ser el problema real:

1. El interior del cuello trasero. ¿El color es correcto? ¿Hay un vivo, un ribete de contraste o una etiqueta que debería estar ahí, o una que no debería? El modelo adivina esta zona desde el exterior de la prenda, así que es donde se concentra lo inventado.
2. La línea del hombro. Una prenda real sobre un busto tiene una costura de hombro que sobresale un poco. Las generadas tienden a redondearla, y eso es lo que hace que el resultado parezca inflado en lugar de puesto.
3. La profundidad de la abertura. Una abertura de cuello convincente deja ver *algo* del interior: una sombra, un indicio del panel trasero. Demasiado plana y parece una pegatina; demasiado profunda y parece que la prenda tiene un agujero.

Nada de esto requiere ojo entrenado. Requiere saber qué centímetro cuadrado mirar primero, que es lo que nadie te cuenta.

La técnica no funciona igual en todo el catálogo, y saberlo antes de fotografiar es lo que más tiempo ahorra:

• Funciona bien: prendas estructuradas que mantienen su forma: blazers, chaquetas vaqueras, abrigos, camisas, cualquier cosa con cuello y vista. La prenda hace el trabajo; la IA solo tiene que no estropearlo.

• Funciona con cuidado: punto y jersey. Mantienen la forma lo suficiente, pero la caída se pierde con facilidad y el resultado generado suele verse más rígido que la prenda real.

• Suele fallar: seda, gasa, cualquier tejido fluido sin forro; escotes en V profundos y cuellos drapeados, donde la unión del cuello no tiene un borde limpio detrás del que esconderse; tejidos transparentes, donde el interior inventado se ve a través del delantero.

Si una categoría está en el tercer grupo, el flat lay no es un compromiso: es el formato honesto. Vender una blusa de seda fluida sobre un maniquí invisible rígido tergiversa el producto, y eso aparece después en forma de devoluciones.

Cuatro fallos explican la mayoría de los resultados descartados, y solo el primero es evidente:

• El interior trasero inventado. El modelo nunca ha visto el interior de tu cuello, así que lo genera. Se equivoca más en el color que en la forma.

• Filtrado de la capa interior. Si la foto de origen es en una modelo con camiseta o top debajo, esa capa suele sobrevivir en el resultado y parece ropa interior asomando en la tapeta. Es la razón más habitual para descartar una toma directamente.

• Deriva de la silueta. Una prenda recta se convierte sin avisar en una entallada, porque el modelo arrastra una idea previa de cómo queda la ropa sobre un cuerpo. Es el fallo caro: cambia el ajuste que el comprador está juzgando.

• Aplanamiento de detalles. Cambia el número de botones. Una pestaña de bajo en punta se vuelve un bajo recto. Desaparecen costuras de bolsillo. Los detalles contables son donde la generación es menos fiable y, por suerte, donde comprobar es más fácil.

Cómo comprobar un resultado en menos de un minuto

La pregunta útil no es si se ve bien, sino si sigue describiendo el producto. Dos medidas detectan casi todo, y ambas son proporciones respecto a puntos de referencia de la pose, nunca comparaciones de píxeles:

• Largo: (hem_y - shoulder_y) / (hip_y - shoulder_y)

• Ancho en el pecho: garment_width_at_bust / body_width_at_bust

Las proporciones sobreviven al recorte y a la distancia de la cámara. Las medidas absolutas en píxeles, no.

No midas el resultado contra tu foto de origen. Si el origen es una prenda en un busto y el resultado es una prenda con forma humana, no comparten ningún punto de referencia, ni escala, ni pose. Cualquier proporción calculada entre ambas mide el busto, no el error. Compara con tu tabla de tallas en centímetros, o con nada.

Para los detalles discretos, cuéntalos. Botones, hebillas, costuras visibles, estructura del bajo: un modelo de visión que lee una especificación escrita detecta con fiabilidad un cambio en el número de botones. Es la comprobación que más gente se salta porque parece demasiado simple para merecer la pena.

• Generador de modelos de moda con IA: coloca un flat lay sobre una modelo y publica la rúbrica de control de calidad de 27 puntos de la que salen las dos comprobaciones de proporción de este artículo. Tampoco es una herramienta de ghost mannequin; es la mitad «en modelo» del mismo anuncio.

• Foto de producto para ecommerce: convierte una foto de producto en imágenes listas para el anuncio. No es un generador de ghost mannequin; sirve para las tomas de alrededor.

• Generador de fotos de producto con IA: imágenes de catálogo con plantilla a volumen de SKU, donde la coherencia del conjunto importa más que cualquier foto individual.

• Archivo de pegatina troquelada y archivos de acrílico listos para imprimir: el extremo de producción de la misma disciplina, si tu catálogo incluye merchandising además de ropa.

Si vendes ropa a escala de catálogo, el caso de uso para marcas DTC cubre el problema más amplio de coherencia del conjunto, del que este artículo es solo una parte.

Hoy no ofrecemos un botón de ghost mannequin de un clic. Si es lo que buscabas, la respuesta honesta es que una herramienta dedicada te servirá mejor ahora mismo, y este artículo te es más útil como método de comprobación que como argumento de venta.

Lo que sí tenemos es la disciplina alrededor del resultado más que la generación en sí: criterios de aceptación medibles, coherencia del conjunto en todo un catálogo y archivos de producción que una fábrica acepta. Eso salió de trabajo con clientes en el que la prueba de aceptación eran dos números en una ficha técnica —largo de la prenda y ancho de pecho— y «se ve bien» no era una respuesta que nadie fuera a firmar.

Es un nicho estrecho, y conviene decirlo claro: la mayoría de las imágenes de ropa con IA se juzgan a ojo, y el ojo es justo lo que la deriva de silueta engaña. Si generas cinco imágenes por prenda en cientos de SKU, el cuello de botella deja de ser el generador y pasa a ser la comprobación.