Difuminar Rostros

Difuminar Rostros Gratis - Anonimización Automática con IA

Nuestro Difuminador de Rostros usa IA avanzada para detectar y difuminar o pixelar rostros automáticamente en fotos, protegiendo la privacidad y garantizando el cumplimiento del RGPD. Impulsado por face-api.js, todo el procesamiento ocurre localmente en tu navegador: tus fotos nunca salen de tu dispositivo.

La herramienta detecta todos los rostros en una imagen usando modelos de aprendizaje profundo, luego aplica tu elección de difuminado gaussiano o efectos de pixelado para anonimizarlos. Perfecto para redes sociales, fotos públicas, cumplimiento RGPD, protección de testigos y contenido centrado en la privacidad.

¿Mi foto o vídeo sale del dispositivo al anonimizar rostros?

No. Difuminar Rostros realiza la detección y el difuminado totalmente dentro de tu navegador. La imagen o el fotograma se decodifica en un Canvas en memoria, un detector de rostros (MediaPipe FaceDetector, BlazeFace o YOLOv8-face vía Transformers.js) encuentra las cajas localmente, y el kernel de difuminado se aplica con el filtro 2D del Canvas o un fragment shader WebGL. No se suben píxeles ni se registra metadato alguno. Esto es crítico para cumplir el RGPD, proteger fuentes periodísticas, redactar pruebas judiciales y cualquier flujo donde enviar la imagen original a una API en la nube sería precisamente la violación de privacidad que intentas evitar.

¿Qué detector de rostros usa la herramienta por dentro?

El detector por defecto es Google MediaPipe FaceDetector (variante BlazeFace short-range para selfies, long-range para multitudes), elegido porque ocupa ~1 MB tras cuantización, corre a más de 100 fps en CPU de móvil y tiene recall casi perfecto en rostros frontales. Para rostros inclinados, ocluidos o de perfil, puede cambiar a un YOLOv8n-face (~12 MB) cargado vía Transformers.js, que sacrifica algo de velocidad por mucho más recall en fotos reales de multitudes. Ambos corren en el navegador vía WebAssembly con SIMD en CPU o WebGPU en GPU compatibles. El detector emite cajas (x, y, w, h) que luego se expanden por un factor de padding configurable antes de difuminar.

¿El difuminado realmente impide que el reconocimiento facial identifique a la persona?

Un desenfoque gaussiano con radio suficientemente grande (típicamente 30+ píxeles a 720p) derrota a modelos modernos como ArcFace y FaceNet, que necesitan landmarks reconocibles de ojos/nariz/boca a unos 80x80 píxeles mínimo. Sin embargo, un desenfoque débil o un mosaico de baja resolución aún puede filtrar identidad a redes de des-difuminado especializadas entrenadas adversarialmente. Para anonimización crítica (denuncias, protestas), prefiere barras negras o pixelado con bloques de 32+ píxeles sobre un desenfoque suave, y verifica reejecutando un detector para confirmar que el resultado no tiene rostros detectables. La herramienta expone radio de difuminado y tamaño de bloque como controles para calibrar al modelo de amenaza.

¿Puede procesar vídeo fotograma a fotograma para anonimizar un clip entero?

Sí. La herramienta decodifica el vídeo con WebCodecs o un HTMLVideoElement, procesa cada fotograma por el pipeline detector + difuminado y vuelve a codificar el resultado con MediaRecorder o WebCodecs VideoEncoder. En un portátil reciente con WebGPU, 1080p 30fps puede procesarse a 2-4x tiempo real según el número de rostros por fotograma. Para vídeos largos se usa un tracker de suavizado temporal (asignación húngara entre detecciones consecutivas) para mantener estables las regiones difuminadas entre fotogramas y evitar el parpadeo que aparece al re-detectar cada fotograma de forma independiente. La salida es un WebM o MP4 descargable producido íntegramente en el cliente.

¿Y si el detector se salta un rostro — puedo añadir cajas manualmente?

Sí — los detectores suelen lograr 95-99% de recall en fotos estándar pero pueden perder ángulos extremos, oclusión fuerte (mascarilla + gafas) o caras bajo 24 píxeles. Puedes dibujar rectángulos adicionales sobre el lienzo para forzar el difuminado de regiones que el detector pasó por alto. También puedes bajar el umbral de confianza (0,5 por defecto) hasta 0,2 para capturar más caras de baja confianza, a costa de más falsos positivos en patrones tipo cara (relojes, personajes). Para procesado por lotes, ejecuta primero una pasada de alta sensibilidad y revisa visualmente las omisiones antes de exportar.

¿En qué se diferencia MediaPipe FaceDetector de un modelo de cara basado en YOLO?

MediaPipe FaceDetector se basa en BlazeFace, un detector de una sola pasada con cabeza de regresión sin anclas diseñado por Google para cámaras selfie y AR móvil. Es extraordinariamente rápido (<5 ms por fotograma en GPU de móvil) y diminuto (~1 MB), pero optimizado para caras frontales y erguidas a distancias típicas de selfie. YOLOv8-face es un detector de objetos genérico adaptado a caras, con mucho mejor recall en perfiles, ángulos, multitudes o baja resolución. El compromiso es un modelo 10x mayor y 5-10x más lento. Para anonimizar multitudes de protesta, grabaciones de vigilancia o fotografía de calle, YOLO es más exhaustivo; para filtros selfie y videollamadas, gana MediaPipe.

¿Puedo usar WebGPU para acelerar el difuminado en imágenes 4K grandes?

Sí — el difuminado gaussiano y el pixelado son embarazosamente paralelos y se benefician enormemente del GPU. En WebGPU mediante un compute shader, una imagen 4K puede difuminarse en menos de 10 ms frente a 100-300 ms con el filtro 2D de canvas en CPU, incluso con kernel gaussiano de 51 píxeles. La herramienta usa fragment shaders WebGL2 como ruta GPU principal por mayor compatibilidad de navegador y compute shaders WebGPU cuando están disponibles para kernels separables que minimizan lecturas de textura. Para procesado subsegundo de fotos de alta resolución, el difuminado por GPU es la opción correcta; el CPU sigue aceptable bajo 1080p.

¿La herramienta también difumina matrículas, nombres u otra información personal (PII)?

De fábrica, el detector apunta solo a rostros humanos. Para anonimizar matrículas necesitarías un detector específico (p. ej., YOLOv8 entrenado en CCPD o OpenALPR) y para anonimizar texto o nombres visibles, una pasada OCR como Tesseract.js con selección manual de región. Algunos pipelines ejecutan los tres detectores (cara, matrícula, texto OCR) y unen las cajas. La herramienta se centra ahora en rostros porque es la necesidad más común, pero la función de dibujado manual te permite difuminar cualquier región rectangular — matrículas, insignias, contenido de pantalla — sin necesitar un detector especializado.