Features de bajo nivel
Tono, saturación, densidad de bordes, rugosidad, contraste de luminancia (~8 features).
R² CV < 0 · Sin señal
Qué es ARGIRA
ARGIRA es una iniciativa de investigación y accesibilidad que explora nuevas formas de representar información mediante tecnología, incluyendo enfoques de sonificación diseñados para crear experiencias más ricas para personas con discapacidad visual.
Escribe para filtrar publicaciones y secciones de esta página. Los resultados aparecen debajo como una lista de enlaces.
Investigación en curso · 2026
ARGIRA
Sonificación
y Métricas
Perceptuales
Ranero García, Jose
Zenodo · CC BY-NC 4.0
Nuevo · ARGIRA v1.4.7 · Incertidumbre en alt-text · 17 Ago 2026
¿Puede la estructura visual de una imagen predecir cómo suena perceptualmente? ARGIRA es un proyecto de investigación que responde esta pregunta a través de resultados negativos sistemáticos — mapeando los límites de lo que las representaciones visuales estándar pueden y no pueden explicar sobre la percepción sonora.
Esta página es el índice y resumen de la serie de estudios ARGIRA (I–XII), publicados en Zenodo con DOI verificable — no un artículo único, sino el mapa de todo el programa de investigación: experimentos, datos, hallazgos y las herramientas interactivas derivadas de ellos.
Compatible con VoiceOver y TalkBack
Participar en la encuesta
(abre en nueva pestaña)
La pregunta central
¿Cómo influye el diseño del mapping en la información visual que sobrevive en la representación acústica?
Pregunta inicial (ARGIRA I–III): ¿Es Δ predecible a partir de características visuales? — Los experimentos mostraron que no. ARGIRA IV explica por qué.
Un mapa de lo que
no explica Δ
ARGIRA no es un modelo predictivo. Es un marco de eliminación representacional estructurada: una secuencia de experimentos diseñada para determinar qué clases de representación visual son insuficientes para capturar la diferencia perceptual entre mappings de sonificación.
El proyecto evalúa tres niveles jerárquicos de representación —estadísticas de bajo nivel, espacios de características expandidos y embeddings semánticos proxy— usando regresión lineal robusta y Random Forest con validación cruzada de 5 folds. El corpus incluye ~86 imágenes de dos colecciones visuales heterogéneas: pinturas postimpresionistas y fotografías de paisaje de museo.
La secuencia · Cómo los resultados negativos llevaron a la pregunta correcta
ARGIRA I–III
¿Predice la imagen a Δ?
Tres niveles de representación visual evaluados: bajo nivel · expandidas · semántico LLM.
R² < 0 en todos
ARGIRA IV
Δ oculta dos mappings distintos
OPRS y RTR modelados por separado revelan sensibilidades visuales opuestas.
OPRS R²=0.58 · RTR R²=0.25
ARGIRA V
Nuevo
Inversión de predictores
edge_density domina lo visual. hue_entropy domina lo acústico. n=391, 5 corpus.
ρ≈−0.10 ortogonalidad
Los resultados negativos no son un problema del programa — son su mecanismo. Serie completa · zenodo.20534327 ↗ (abre en nueva pestaña)
Antes de la pregunta,
el programa.
Los experimentos 11–15 no surgieron en el vacío. El proyecto acumuló durante meses un corpus de observaciones previas —pipelines, benchmarks, corpus de naturaleza, análisis de clustering— que establecieron los fenómenos a explicar y descartaron hipótesis tempranas. Estos depósitos son el suelo del que crece ARGIRA I–V.
Origen conceptual · Feb 2026
Computational Verification of Vogel's Model in Phyllotaxis Patterns
El punto de partida real de ARGIRA no fue la sonificación, sino esta serie sobre el ángulo dorado (137.508°) en la disposición de girasoles y su aplicación a la distribución óptima de paneles solares. La v1 usa una herramienta llamada "Argira Station" para analizar imágenes de girasoles — el mismo nombre y el mismo impulso hacia la accesibilidad que después se convertiría en el pipeline de sonificación. La serie evolucionó durante 10 versiones: de la verificación geométrica pura (v1–v4) a la robustez frente a ruido posicional (v5–v6), métricas espaciales avanzadas y discrepancia de Weyl (v7, v9–v10), y un modelo físico de sombreado solar con trayectorias astronómicas reales (v8). Función en común con la línea de sonificación: ambas buscan si una estructura matemática (ángulo áureo, dispersión cromática) se traduce de forma fiable a otro dominio (espacial, acústico) sin reglas explícitas.
Historial de versiones (v1 – v9)
v9 Misma descripción que v10 (defectos de frontera corregidos, discrepancia de Weyl, modelo de sombreado solar v2); v10 solo añade un enlace a una página web interactiva con los resultados. 10.5281/zenodo.18758919 ↗
v8 "Solar v2" — introduce un modelo fotovoltaico físicamente fundamentado: trayectoria solar real, proyección de sombra por hora, estimación de rendimiento energético anual y sensibilidad a la latitud (20°N/40°N/60°N). Hallazgo clave: la uniformidad geométrica sola es un criterio incompleto — Fibonacci mantiene ~98.5% del rendimiento energético ideal en todas las latitudes probadas. 10.5281/zenodo.18749926 ↗
v7 Añade función de correlación de pares g(r), desviación de densidad radial (RDD), cuantificación de defectos de frontera y aproximación diofántica. Fibonacci y la espiral de Vogel clásica resultan geométricamente equivalentes (U=98.86%). Halton/Sobol logran mejor uniformidad radial pero peor uniformidad global. 10.5281/zenodo.18749750 ↗
v6 Introduce perturbación posicional gaussiana (σ=0.5–5 px, 100 réplicas Monte Carlo) simulando errores de instalación reales. Hallazgo: bajo ruido, secuencias k-nacci de orden superior (k=4) degradan proporcionalmente menos que Fibonacci — trade-off robustez/optimalidad no visible en versiones anteriores sin ruido. 10.5281/zenodo.18740184 ↗
v5 Primer análisis sistemático de robustez variando N∈{50,100,200,500,1000}. Fibonacci mantiene U≥98% en todas las escalas; secuencias k≥4 degradan progresivamente a partir de N≥500. 10.5281/zenodo.18735181 ↗
v1–v4 Verificación computacional inicial del modelo de Vogel (1979): el ángulo dorado 137.508° emerge como solución óptima de empaquetamiento (errores relativos <10⁻⁸%, 500 instancias sintéticas). v1 introduce la herramienta "Argira Station" para analizar imágenes reales de girasoles. v2–v4 reorientan el foco hacia paneles solares y añaden el código de simulación Python/NumPy. 10.5281/zenodo.18703761 ↗
Correlación fundacional
Chromatic variance & spectral roughness — Replication study (N=30)
Preprint v4. Corpus de 30 pinturas canónicas (15 artistas, 6 siglos).
Resultado principal: hue_std → roughness r = 0.687; con entropía de Shannon, R² = 0.732.
10.5281/zenodo.20364540 ↗
Robustez del mapping
Mapping Variants Series — Pipelines 10–13 · Scanline control (08)
Cinco variantes matemáticas (lineal, log, mel, estocástico, cuadrático) sobre 30 pinturas.
Resultado: la forma de la función hue→frecuencia no importa; el vínculo sí (r = 0.878–0.951).
El control scanline (pipeline 08, sin hue→frecuencia) da r = −0.116 — el vínculo es necesario.
Mecanismo
Sine Additive Pipeline — Harmonic vs. Non-Harmonic
Pipeline 09 (sinusoide pura, sin armónicos): r = +0.951 vs pipeline 07 (armónico): r = +0.687.
Las interacciones inter-armónicas oscurecen, no generan, el efecto.
10.5281/zenodo.20366185 ↗
Geometría espectral emergente
Emergent Corpus v1.0 — Spectral Geometry (N=14)
Regímenes espectrales separables sin reglas armónicas explícitas. Clustering 92.9% de acuerdo
con regímenes cromáticos (shuffle p < 0.005). Ds actúa como invariante estructural,
no como variable discriminativa.
10.5281/zenodo.20393823 ↗
Generalización a naturaleza
Nature Corpus v2 — Saturation as Predictor (N=21)
Fotografías de bosque y paisaje móvil. Saturación → harmonic count: r = 0.9644.
hue_std y fractal_D débiles en este corpus (r = 0.27 y 0.03). La saturación domina
en regímenes de baja varianza cromática.
10.5281/zenodo.20392520 ↗
Clustering no supervisado
Clustering Dataset v1 — 74 obras, k-means + PCA
k-means aisla espontáneamente a Rembrandt (claroscuro como firma acústica).
Starry Night: visualmente compleja, acústicamente de baja entropía — complejidad
rítmica, no aleatoria. Signac: outlier extremo (visual PC1 = 6.41).
10.5281/zenodo.20323085 ↗
Estabilidad metodológica
Experiment 6 — RTR & Bootstrap · Experiment 7 — Estabilidad OPRS · Experiment 8 — Sensibilidad de umbral
Jerarquía Naive > OPRS > RTR estable con 10.000 bootstraps. OPRS converge en N≈50 runs.
El orden visual–acústico es robusto en el rango de corte 1000–1750 Hz.
Generalización entre corpus
Experiment 9 — Generalization Across Independent Corpora
Naive generaliza a corpus independientes (r ≈ 0.54–0.62). RTR produce las correlaciones
más débiles. OPRS exhibe efecto dependiente del corpus. Base empírica para los
experimentos 11–15.
10.5281/zenodo.20516325 ↗
Paradoja & nota técnica
Stereo Width: Malevich vs. Kandinsky — La paradoja invertida
Malevich (casi monocromático) produce mayor anchura estéreo (W = 0.196) que Kandinsky
(W = 0.058). Demo interactiva Web Audio API. Invariante del pipeline confirmada en v1 y v3.
10.5281/zenodo.20353894 ↗
Límites formales del sistema
Cycle Closure Experiment — 74 obras, 3 capas epistemológicas
¿Puede reconstruirse la imagen a partir de su sonificación? No — y eso es un resultado
más fuerte de lo que parece. Capa A: centro de masa horizontal preservado con error < 0.05
(aplicación directa en accesibilidad). Capa B: correlaciones estructurales significativas
(local_contrast → freq r = 0.949, edge_density → effort r = 0.759). Capa C: inversión
imposible — los rangos de tempo no se solapan por diseño. ARGIRA es un sistema de
preservación estructural, no de inversión.
10.5281/zenodo.20322821 ↗
Análisis espectro-temporal
B_v9 — Spectro-Temporal Persistence, 72 obras, transición de régimen
2.160 observaciones banda-velocidad (6 bandas × 5 condiciones de velocidad 0.25×–1.50×).
Hallazgo central: inversión de signo en la banda 4–8 kHz (ρ = +0.973 → −0.022 al pasar
de 0.25× a 0.50×). Ninguna otra banda invierte signo. Robustez confirmada por 4 tests
independientes: invariancia ordinal, re-binning, jackknife, reparametrización.
Validación cruzada independiente: hue_std predice rugosidad residual con r = 0.8477.
El pipeline intermedio · El más descargado
Argira Pipeline v14 — N=47, r=0.9289 · 275 vistas · 140 descargas
Versión estable antes de la expansión a v17. Incluye test de permutaciones (N=1000),
experimentos Dv y tempo, analizador por lotes. Resultado negativo FFT 2D documentado.
El depósito más descargado del programa — punto de referencia empírica del corpus canónico.
10.5281/zenodo.20097327 ↗
Versión extendida post-envío
Argira Pipeline v16 · Dataset v17 (74 obras)
Versión extendida posterior al envío a ICAD 2026 (v16, N=47, r = 0.9289) y su
expansión independiente al corpus completo (v17, N=74, r = 0.9233). Validación
cruzada Sobel: r = 0.9570. Resultado negativo documentado: FFT 2D sin señal
diferencial. El envío real a ICAD 2026 fue la v10
(zenodo.18865019 (abre en nueva pestaña) ↗,
N=45, r = 0.8869).
El pipeline base
Argira Station v15 — Standalone analyzer, 6 métricas validadas
La versión canónica del pipeline: hue_std ↔ Ds r = 0.9289 (N=47, p < 0.001).
Irregularidad ↔ Sobel r = 0.9570. FFT 2D eliminada (resultado negativo documentado).
Dv ↔ Ds r = 0.0229 (no significativo — límite honesto del sistema). El depósito
más citado de todo el programa experimental.
10.5281/zenodo.20113356 ↗
La herramienta · Accesibilidad
Argira Sonification v23 — 4 dimensiones perceptuales, audio espacial
Hue → frecuencia · Saturación → timbre + amplitud · centroid.x → panorámica estéreo ·
centroid.y → registro. Correlación hue_std ↔ Ds = r = 0.9289 (N=47). Base de
todo el programa experimental posterior. Demo viva en
argira.eus/argira-sonification/
10.5281/zenodo.20234082 ↗
Feedback háptico · Accesibilidad táctil
B_v9 Dataset v2 — Módulo háptico · Umbral v* = k − m · hue_std
El dataset B_v9 v2 incluye el módulo de feedback háptico (client-side, sin servidor),
operativo en el analizador online. La ley del umbral Argira define v* en función de
hue_std: v* = 7800 − 12500 · hue_std. Para las 43 obras, todos los valores de v*
caen dentro del rango [4000, 8000] Hz. Correlación hue_std ↔ Ds: r = 0.9370 (N=43).
La háptica actúa como canal perceptual complementario al sonido para exploración táctil
de obras de arte.
Descripción hablada de imágenes · Accesibilidad visual
Argira Vision v0.5 — Descripción semántica hablada mediante Claude API
Prototipo de navegador que envía una imagen a la API de Claude (Haiku/Sonnet) y
lee la descripción en voz alta mediante síntesis de voz. Complementa el canal
sonoro del pipeline ARGIRA con un canal semántico: mientras ARGIRA traduce
estructura visual a frecuencia y timbre, Vision traduce semántica visual a lenguaje.
No es navegación en tiempo real — es exploración auditiva de contenido visual.
En desarrollo · experimental
10.5281/zenodo.18989327 (v0.5) ↗
Corpus adicionales: Dataset unificado 74 imágenes · zenodo.20402536 ↗ · Espacio A=f(H,S,I) · zenodo.20388416 ↗ · Dataset B_v9 (43 obras, umbral v*) · zenodo.20357570 ↗
La correlación que
lo empezó todo
Al analizar 45 obras con la regla de conversión de Argira, emergió una correlación estadísticamente robusta entre la variabilidad cromática de una pintura y la complejidad sonora de su sonificación.
Esta correlación —r = 0.8869, R² = 0.8417, p < 0.001— no estaba diseñada. Surgió de los datos. Es la razón por la que el proyecto existe: el color parece estar relacionado con el sonido.
Pearson r = 0.8869 · R² = 0.8417 · p < 0.001 · N = 45 · Argira v3.5
hue_std (variabilidad de tono) → Ds (dimensión espectral / complejidad sonora)
16 obras mostradas · Correlación calculada sobre N = 45 obras (dataset completo) · Zenodo v10 (abre en nueva pestaña)
Esta correlación es el punto de partida, no la conclusión. La pregunta que abre es: ¿qué características visuales explican ese vínculo? Los experimentos 11–15 intentan responderla — y encuentran que las representaciones visuales estándar no son suficientes.
El museo sonoro argira.eus/argira-sonification/ permite escuchar esta correlación en acción: las 16 obras ordenadas de menor a mayor cromatismo, de Malevich a Kandinsky.
Experimentos 11 – 15
Tres niveles.
El mismo resultado.
Features expandidas + PCA
Histogramas HSV, filtros Laws, estadísticas por cuadrante, Sobel (~209 features).
R² CV ≈ 0.10 · Marginal e inestable
Embedding semántico proxy
Matriz de similitud visual 47×47. El nivel de representación más alto evaluado.
R² CV = −0.337 · Régimen de ruido
Resumen del estudio
~86
Corpus inicial
47–72
Muestra válida final
11–15
Experimentos
3
Modelos evaluados
Ridge · Huber · RF
5-fold
Validación cruzada
0.10
Mejor R² CV
No generaliza
De la divergencia perceptual
a la asimetría estructural
ARGIRA IV reexamina los resultados negativos de las fases anteriores desde una perspectiva diferente. En lugar de modelar directamente Δ como variable objetivo, analiza por separado los dos mappings que la componen: OPRS y RTR. Este cambio metodológico revela una asimetría estructural previamente oculta.
Modelado independiente de mappings — ARGIRA IV
Hallazgo principal · ARGIRA IV
Los resultados negativos de ARGIRA I–III no indican ausencia de relaciones imagen-sonido.
La dificultad surge al modelar directamente una variable compuesta (Δ) que combina dos transformaciones con sensibilidades distintas y parcialmente opuestas. Cuando ambos mappings se estudian por separado, emergen estructuras predictivas claramente diferenciadas.
Inversión de predictores
entre dominios
ARGIRA V investiga si las mismas variables visuales predicen la rugosidad en dominios visuales y acústicos. El estudio combina cinco corpus visuales independientes (n=319 imágenes) y un corpus acústico (n=72 sonificaciones), con 391 casos analizados en total.
Dominio visual
edge_density
ρ = 0.49–0.84
Predictor dominante estable en corpus A–D
lum_contrast: secundario (ρ = 0.56–0.74)
lum_contrast: secundario (ρ = 0.56–0.74)
Inversión
Dominio acústico
hue_entropy
ρ = 0.595
Predictor dominante en corpus acústico (n=72)
edge_density aquí: secundario (ρ = 0.428)
edge_density aquí: secundario (ρ = 0.428)
Corpus total
391
5 corpus visuales + 1 acústico
Ortogonalidad
ρ ≈ −0.10
edge_density ↔ hue_entropy (casi ortogonales)
Regímenes
3
Cromático · Grayscale-collapse · High-edge
Implicación arquitectural
Los resultados apoyan una arquitectura de sonificación multicapa donde la información estructural (edge_density) y la información cromática (hue_entropy) deben representarse de forma independiente, ya que contribuyen información no redundante a dominios de rugosidad distintos.
Convergencia estructural
en el espacio del predictor
ARGIRA VI amplía el corpus canónico de 187 a 227 imágenes (96 pinturas canónicas de 19 artistas identificados, más 131 controles sintéticos), usando el nuevo Pipeline de Sonificación v3.4 con arquitectura de tres canales ortogonales: hue_entropy controla la frecuencia base, edge_density + fractal_D controlan la profundidad de modulación (predictor derivado por OLS, R² = 0.640), y luminance_contrast controla el tiempo de decaimiento.
Corpus expandido
227
96 canónicas (19 artistas) + 131 controles
Canal B (OLS)
R² = 0.640
edge_density + fractal_D → mod_depth
Convergencia estructural
80 pares
Δedge>0.15 con mod_depth casi idéntico
El hallazgo central es que pinturas visualmente muy distintas pueden converger hacia estados acústicos casi idénticos dentro de la arquitectura de mapeo de ARGIRA: 80 pares de obras canónicas cumplen |Δfractal_D| < 0.005 con |Δedge_density| > 0.15, y aun así producen valores de profundidad de modulación prácticamente iguales. A nivel de artista emergen firmas estructurales reconocibles en el espacio fractal_D × edge_density —Turner ocupa establemente la región de fractal alto/borde bajo, Caravaggio la de fractal bajo/borde medio— sin usar ninguna etiqueta estilística explícita.
DOI: 10.5281/zenodo.20553976 · Pipeline v3.4 (companion): 10.5281/zenodo.20550714
Una matriz para
medir la asociación, no asumirla
ARGIRA VII introduce la Matriz de Asociación Visual-Acústica (VAAM), una representación sistemática de cómo cinco descriptores visuales primarios (hue_std, hue_entropy_bits, edge_density, fractal_D, luminance_contrast) y tres términos de interacción se asocian con siete dimensiones acústicas, sobre un corpus canónico de 117 pinturas procesadas con un único operador de sonificación (M1).
Corpus
N = 117
+ 110 controles sintéticos
fractal_D
S ≈ 0.27
inercia acústica — poder predictivo mínimo
Estructura impuesta
S ≈ 1.000
hue_std→odd_bias · lum_contrast→decay_s
Cuatro hallazgos organizan el estudio. Primero, los predictores visuales se agrupan en dos familias funcionalmente independientes: una familia cromática (hue_std, hue_entropy_bits) que mapea preferentemente a dimensiones relacionadas con frecuencia, y una familia estructural (edge_density, luminance_contrast) que mapea a dimensiones temporales y de textura. Segundo, hue_std y hue_entropy_bits son observables no redundantes —la correlación parcial muestra que predicen de forma independiente distintos objetivos acústicos. Tercero, fractal_D muestra un poder predictivo mínimo en todas las dimensiones acústicas (S máximo ≈ 0.27), lo que contrasta con su relevancia documentada en estética empírica y sugiere que esta arquitectura de sonificación transmite mal la información fractal. Cuarto, la dimensión de rugosidad concentra los mayores índices de no linealidad de la matriz.
Distinción metodológica central
Dos asociaciones alcanzan valores casi perfectos (S ≈ 1.000) —hue_std→odd_bias y luminance_contrast→decay_s— pero no se interpretan como descubrimientos empíricos: surgen directamente de ecuaciones deterministas implementadas en el propio operador de sonificación, y se reportan explícitamente como estructura impuesta por el operador, no como propiedades emergentes del corpus. Distinguir relaciones impuestas de asociaciones observadas es la contribución metodológica central de este depósito. La cuestión de si las asociaciones visuales-acústicas sobreviven a través de operadores de sonificación estructuralmente distintos queda abierta y constituye el objetivo de ARGIRA VIII (abre en nueva pestaña) ↗. La respuesta: hue_std→odd_bias no sobrevive — queda falsada bajo reorganización arquitectónica completa (M3b) y reclasificada como artefacto del operador, no como propiedad invariante del corpus.
El giro conceptual · ARGIRA V
La pregunta ya no es ¿qué sonido produce una imagen?
Sino: ¿qué aspecto de la imagen quiero que el usuario perciba mediante el sonido?
Marco conceptual
Un mapping es una
hipótesis perceptual
ARGIRA IV revela que cada algoritmo de sonificación no traduce una imagen: selecciona qué dimensión visual merece sobrevivir en el sonido. Esta selección no es técnica, es epistemológica. El diseñador del mapping decide —implícitamente— qué es la imagen para el oyente.
De este principio se deriva una consecuencia directa: no existe una única sonificación correcta de una imagen. Existen tantas sonificaciones válidas como propiedades visuales se consideren relevantes comunicar.
Espacio de mappings posibles · Teóricamente infinito
| Propiedad visual | Mapping posible | Lo que percibe el usuario |
|---|---|---|
| Color (Hue) | hue → frecuencia | Clima cromático |
| Saturación | saturación → amplitud | Intensidad emocional |
| Brillo | luminancia → pitch | Claridad / oscuridad |
| Bordes | edge density → rugosidad | Geometría |
| Textura | roughness → modulación | Relieve |
| Simetría | symmetry → consonancia | Orden |
| Entropía | entropy → ruido espectral | Complejidad |
| Contraste | contrast → rango dinámico | Tensión |
| Profundidad | depth → reverberación | Espacio |
| Movimiento | optical flow → tempo | Dinamismo |
ARGIRA explora actualmente: hue, entropía cromática, rugosidad espacial.
Taxonomía propuesta
Cuatro tipos de
filtro perceptual
A partir de los resultados de ARGIRA IV, es posible esbozar una primera clasificación de mappings según el tipo de propiedad visual que priorizan y la experiencia perceptual que generan en el oyente.
ARGIRA IV · zenodo.20531660 (abre en nueva pestaña) ↗
Tipo I
Estructurales
Preservan forma
Transmiten la geometría de la imagen: bordes, contornos, orientación, composición. El oyente puede «sentir» la estructura visual.
Ejemplos:
OPRS · edge sonification · contour tracking
Objetivo: sentir la geometría
Tipo II
Cromáticos
Preservan color
Traducen la paleta de la imagen en dimensiones acústicas. Hue, saturación y brillo como tres canales independientes de información cromática.
Ejemplos:
RTR · hue→frequency · color harmony
Objetivo: sentir la paleta
Tipo III
Topológicos
Preservan organización espacial
Mapean la posición en la imagen al espacio acústico. Posición X al paneo, posición Y a la altura tonal. El oyente navega la imagen como un territorio.
Ejemplos:
Modo «Tocar» de Argira · spatial audio scanning
Objetivo: navegar la imagen
Tipo IV
Expresivos
Preservan emoción o atmósfera
Transmiten el carácter emocional o expresivo de la imagen. No una propiedad medible, sino la sensación que genera.
Ejemplos:
Pendiente de definición empírica
Objetivo: sentir el carácter
Δ no puede modelarse de forma robusta mediante las representaciones visuales evaluadas.
Aumentar la complejidad representacional —de estadísticas básicas a espacios expandidos a embeddings semánticos— no mejora de forma consistente la predicción de Δ. ARGIRA IV sugiere que esta limitación surge porque Δ combina dos mappings con sensibilidades visuales distintas, ocultando estructuras predictivas que emergen cuando cada mapping se analiza por separado.
ARGIRA II · zenodo.20526610 (abre en nueva pestaña) ↗
ARGIRA III · zenodo.20530682 (abre en nueva pestaña) ↗
| Nivel | Mejor R² CV | Estado |
|---|---|---|
| Bajo nivel Exp 11–13 |
Sin señal | |
| Medio nivel Exp 14 |
Marginal | |
| Semántico Exp 15 |
Sin señal |
Implicaciones
Los algoritmos de sonificación
no son traductores neutros
Cada mapping selecciona, preserva y descarta diferentes propiedades de la imagen. La elección del mapping determina qué aspectos de la obra sobreviven en la representación acústica.
01
Diseño de sistemas de sonificación
La elección del mapping no es neutral: determina qué estructura visual se transmite acústicamente.
02
Accesibilidad visual
Implicaciones directas para el diseño de herramientas para personas con discapacidad visual.
03
Interfaces multimodales
Fundamento empírico para el diseño de sistemas imagen-sonido con fidelidad perceptual.
04
Museos y exploración auditiva
Herramientas para la exploración auditiva de obras visuales en contextos museísticos.
De estudiar una correlación a proponer una teoría del diseño de mappings.
Si este resultado se consolida con más mappings, ARGIRA podría pasar de analizar Δ como variable estadística a proponer un marco teórico para el diseño de mappings en accesibilidad multimodal — una contribución considerablemente más amplia que explicar una diferencia perceptual entre dos algoritmos.
Lo que el cerebro recibe
No «el sonido de la imagen».
Una interpretación acústica de una propiedad concreta de la imagen.
OPRS → estructura · rugosidad · textura
RTR → atmósfera · color · distribución cromática
RTR → atmósfera · color · distribución cromática
Varias maneras de contar
el mismo proyecto
ARGIRA es un instrumento auditable, no una landing page. Existe material dedicado a explicarlo desde distintos niveles de profundidad — desde una frase para quien no sabe nada del tema, hasta la arquitectura formal para un revisor de ICAD. Todos describen la misma idea central: pasar de una caja negra a un proceso auditable. Esta página (el índice de publicaciones) es solo una de esas maneras.
Preguntas y respuestas · Glosario
Knowledge Assistant de ARGIRA / RMA
Responde preguntas concretas ("¿Qué es ARGIRA?", "¿Qué es RMA?", "¿Qué es hue_std?", "¿Qué demuestra la correlación?") citando siempre la documentación oficial — sin modelo de lenguaje ni conexión a Internet. Incluye glosario técnico (features del pipeline: hue_std, edge_density, fractal_D...) y glosario conceptual (Feature, Target, Bootstrap CI, Dependency Network...), con un indicador de confianza en cada respuesta (✓ Confirmado, ≈ Parcial, ? Sin confirmar). Punto de entrada recomendado para quien llega sin contexto previo o necesita verificar un término exacto.
Abrir el Assistant (abre en nueva pestaña)
Explicación guiada · 12 min
Explainer ARGIRA ↔ RMA
Explica la pregunta que origina todo el proyecto (qué información de una pintura sobrevive al convertirla en sonido), qué es RMA en términos simples (Y = g(X) + R — el residuo R es lo que el modelo no explica) y cómo el Knowledge Explorer une pipeline, datos, evidencia, hipótesis y análisis en un solo instrumento. Ofrece varias longitudes de lectura (2 min, 10 min, técnica) según el tiempo disponible.
Abrir el Explainer (abre en nueva pestaña)
Material académico · ICAD 2026
Póster ICAD en cuatro formatos
"Crossmodal Correspondences Emerging from Painting Sonification" — presentado en ICAD 2026 (31st International Conference on Auditory Display, ESMUC). Disponible como PDF A1 para imprimir, gemelo HTML responsive del póster, versión interactiva de escritorio con el corpus completo de 74 obras (mapa de dispersión, tooltips, correlaciones), y compañero móvil pensado para escanear el QR del póster impreso durante la sesión.
Abrir el compañero móvil (abre en nueva pestaña)
Experiencia interactiva · Accesible
Museo Sonoro Accesible
Las 16 obras convertidas en sonido, navegables con gestos táctiles: Tocar (posición, color y frecuencia en Hz de cada zona), Barrido (exploración continua), Tour espacial (descripción automática zona a zona) y Braille en desarrollo. Incluye Lupa temporal para ralentizar el audio hasta 0.5× y percibir la textura cromática, un Mapa Perceptual donde el sonido cambia en tiempo real según la posición del cursor o el dedo, un Test Auditivo de percepción crossmodal ("¿puedes oír el color?"), la opción de subir tu propia imagen para generar su firma acústica, un Asistente con glosario técnico y conceptual, y vídeos explicativos. Diseñado con soporte para VoiceOver y TalkBack.
Cada obra expone sus métricas perceptuales en cinco ejes (Color, Estructura, Contraste, Complejidad, Organización espacial) y sus valores crudos: hue_std, edge_density, luminance_contrast, fractal_D, stereo_pan, sat_mean y centroid (x, y) — las mismas variables usadas en la correlación r = 0.8869.
Abrir el Museo Sonoro (abre en nueva pestaña)
Esta página (el índice completo de publicaciones y auditorías, con DOIs verificables) es otra manera más: la más exhaustiva, pensada para quien necesita trazabilidad completa dato por dato.
El programa ARGIRA
en una página
Un proyecto de investigación en sonificación que evalúa sistemáticamente qué clases de representación visual pueden — y no pueden — predecir la diferencia perceptual entre mappings acústicos. Cinco estudios, todos con acceso abierto en Zenodo.
Pregunta de investigación
¿Cómo influye el diseño del mapping en la información visual que sobrevive en la representación acústica? ¿Qué características visuales predicen la diferencia perceptual Δ = OPRS − RTR?
Corpus y método
~86 imágenes (pinturas postimpresionistas + fotografías de museo). Regresión Ridge y Random Forest con CV-5 folds. Tres niveles de representación visual evaluados de forma jerárquica. Todos los materiales reproducibles en Zenodo.
| Estudio | Pregunta | Resultado | DOI |
|---|---|---|---|
| ARGIRA I | Features de bajo nivel (8 variables) — Exp 11 | R² CV < 0 | 20524644 ↗ (abre en nueva pestaña) |
| ARGIRA II | Features expandidas con PCA (209 variables) — Exp 11–15 | R² CV ≈ 0.10 | 20526610 ↗ (abre en nueva pestaña) |
| ARGIRA III | Descriptores semánticos LLM — Claude Haiku, n=72 | R² CV = −0.162 | 20530682 ↗ (abre en nueva pestaña) |
| ARGIRA IV | OPRS y RTR modelados por separado — asimetría estructural | OPRS R²=0.582 RTR R²=0.086 |
20531660 ↗ (abre en nueva pestaña) |
| ARGIRA V | Inversión de predictores cross-corpus — n=391, 5 corpus visuales + 1 acústico | edge_density ≠ hue_entropy ρ≈−0.10 |
20534328 ↗ (abre en nueva pestaña) |
Hallazgo central
Δ no puede modelarse de forma robusta mediante las representaciones visuales evaluadas. ARGIRA IV revela por qué: OPRS y RTR preservan propiedades visuales estructuralmente distintas. ARGIRA V confirma que la asimetría generaliza entre dominios y corpus.
Citar como
Ranero García, J. (2026). ARGIRA: Sonificación y Métricas Perceptuales
(Serie completa I–V). Zenodo.
doi.org/10.5281/zenodo.20534327 ↗ (abre en nueva pestaña)
ICAD 2026 · Poster #4302 · Barcelona · Jul 2026
Acceso abierto
a todos los materiales
Serie ARGIRA I–XII
Correlación → asimetría estructural → invariancia → falsación
XII
10.5281/zenodo.20569073
XI-A
10.5281/zenodo.20568815
X
10.5281/zenodo.20556440
IX
10.5281/zenodo.20555763
VIII
10.5281/zenodo.20555305
VII
10.5281/zenodo.20554745
VI
10.5281/zenodo.20553976
V
10.5281/zenodo.20534328
IV
10.5281/zenodo.20531660
III
10.5281/zenodo.20530682
II
10.5281/zenodo.20526610
I
10.5281/zenodo.20524644
XII — Transition Matrix and Structural Observer Framework
Formaliza un marco de "observadores estructurales" mediante una matriz de transición, cerrando la serie con una síntesis metodológica de todo el programa ARGIRA.
ARGIRA XI-A — GLCM Residual Structure Analysis of ARGIRA X
Aplica análisis de textura GLCM sobre los residuos no explicados de ARGIRA X (N=227), para comprobar si queda estructura visual sin capturar. Encuentra una mejora de ajuste modesta (ΔR² ≈ 0.064).
ARGIRA X — Empirical Spectral Analysis of Operator-Dependent Cross-Modal Coupling in a Visual-to-Acoustic System
Análisis espectral empírico (SVD + Procrustes) de cómo cambia el acoplamiento visual-acústico según el operador de sonificación usado, comparando configuraciones de rango 1 (M1) a rango 3 (M3).
ARGIRA IX: Channel Covariance and Operator-Induced Migration in Visual-to-Acoustic Perceptual Decomposition
Analiza la covarianza entre canales perceptuales (tempo_color, fractal, espacio) y cómo esa covarianza se reorganiza — "migra" — al cambiar el operador de sonificación empleado.
ARGIRA VIII: Invariant Survival Analysis of Visual–Acoustic Associations Across Competing Sonification Operators
Responde la pregunta abierta por ARGIRA VII: ¿la asociación hue_std→odd_bias sobrevive a un cambio completo de arquitectura de sonificación (N=117, reorganización M3b)? No sobrevive — se reclasifica como artefacto del operador, no como propiedad invariante del corpus.
ARGIRA VII: Visual–Acoustic Association Matrix (VAAM) for a Canonical Painting Corpus
Introduce la Matriz de Asociación Visual-Acústica (VAAM), cruzando 5 descriptores visuales con 7 dimensiones acústicas sobre 117 pinturas + 110 controles sintéticos. Las familias cromática y estructural predicen dimensiones acústicas distintas y no redundantes; fractal_D apenas tiene poder predictivo. Distingue explícitamente asociaciones impuestas por el operador de sonificación de propiedades reales del corpus.
ARGIRA VI: Emergent Structure in Visual-to-Acoustic Mapping — Canonical Corpus of 96 Paintings
Extiende el corpus canónico a 227 obras de 19 artistas. Muestra que pinturas muy distintas visualmente pueden converger en estados acústicos casi idénticos (80 pares con gran diferencia de borde pero profundidad de modulación casi igual), y que emergen firmas estructurales por artista sin usar ninguna etiqueta de estilo.
ARGIRA V: Cross-Corpus Evidence for Predictor Inversion in Visual-to-Acoustic Mapping
Sobre 391 casos (5 corpus visuales + 1 acústico), encuentra una inversión de predictores entre dominios: edge_density domina en lo visual (ρ 0.49–0.84), pero en lo acústico domina hue_entropy (ρ = 0.595). Apoya una arquitectura de sonificación con canales cromático y estructural independientes.
ARGIRA (IV): Structural Asymmetry in Sonification Mappings
Punto de inflexión de la serie: en vez de modelar Δ como variable combinada, separa los dos mappings (OPRS y RTR) y los modela de forma independiente. OPRS conserva estructura predictiva (R² CV ≈ 0.58, ligado a textura y rugosidad); RTR apenas la conserva (R² CV ≈ 0.25, ligado a color global). Explica por qué I–III no encontraban señal: Δ mezclaba dos sensibilidades visuales distintas.
ARGIRA (III): Systematic Representational Failure — LLM Semantic Descriptors Cannot Predict Perceptual Sonification Divergence
Sustituye las features numéricas por descriptores semánticos generados con un LLM (Claude Haiku) — la representación visual más "alta" evaluada en la serie. La señal predictiva desaparece del todo (R² CV = −0.337 según el experimento 15 asociado), reforzando que el problema no era falta de complejidad representacional.
From Correlation to Failure: Limits of Visual Feature Spaces in Predicting Perceptual Sonification Differences
Repite la prueba de ARGIRA I con un espacio de features mucho más amplio (~209: histogramas HSV, filtros Laws, estadísticas por cuadrante, Sobel) reducido con PCA. La señal mejora pero sigue siendo marginal e inestable (R² CV ≈ 0.10) — no generaliza.
Visual Predictors of Acoustic Perceptual Distance in Image Sonification
Primer experimento de la serie: prueba si ~8 features visuales de bajo nivel (tono, saturación, densidad de bordes, rugosidad, contraste de luminancia) predicen la divergencia perceptual Δ entre dos mappings de sonificación. Sin señal (R² CV < 0).
Corpus previo · Experimentos 1–10
E10
10.5281/zenodo.20364540
E9
Chromatic variance and spectral roughness in image sonification — Replication study (N=30)
Replica en un corpus mayor (N=30, frente a N=9–10 en v1–v3) la correlación hue_std→rugosidad espectral hallada por casualidad al comparar el pipeline mono original con la versión estéreo (Argira v23). La correlación baja de r≈0.85 a r=0.687 al ampliar la muestra, pero sigue siendo significativa (p<0.001); combinada con entropía sube a R²=0.732.
Historial de versiones (v1 – v3)
v3 Introduce un pipeline armónico "naive" independiente (sin métricas fractales, espacialización estéreo, MFCC ni ponderación adaptativa) para comprobar si la correlación sobrevive fuera de la arquitectura Argira. Con N=9, r≈0.86 — se mantiene alta pese a la simplificación radical, y el outlier Vermeer se preserva en el pipeline independiente. 10.5281/zenodo.20361230 ↗
v2 Addendum de validación cruzada: argumenta que esta correlación emergente (no diseñada) refuta la objeción de circularidad sobre la correlación principal de Argira (hue_std → Ds, por diseño). Mismo N=10 y r=0.8477 que v1; añade el argumento metodológico como PDF. 10.5281/zenodo.20252194 ↗
v1 Hallazgo inicial no buscado: comparando el pipeline mono original del museo con la implementación estéreo Argira v23, hue_std predice la rugosidad espectral residual con r=0.8477 (N=10) — una correlación emergente de la estructura matemática del pipeline, no codificada como parámetro objetivo. 10.5281/zenodo.20245918 ↗
Nota: al ampliar la muestra de N=9–10 a N=30 en v4, la correlación baja de r≈0.85 a r=0.687 (aunque sigue siendo significativa, p<0.001) — se documenta también un artefacto de digitalización (Black Square) que, excluido, sube r a 0.790.
Experiment 9 — Generalization of Hue Dispersion–Roughness Across Independent Corpora
Comprueba si la relación entre dispersión de tono y rugosidad se generaliza a corpus independientes, comparando tres pipelines (naive, OPRS, RTR). El pipeline naive es el que mejor generaliza (r ≈ 0.54–0.62), por encima de OPRS y RTR.
Experiment 8 — Robustness of Visual–Acoustic Correspondence Across Roughness Thresholds
Prueba la robustez de la correspondencia visual-acústica variando el umbral de rugosidad sobre un corpus de 69 obras. La jerarquía de resultados se mantiene estable en el rango 1000–1750 Hz.
Experiment 7 — Stability of OPRS Under Repeated Random Sampling
Evalúa si OPRS produce resultados estables al repetir el muestreo aleatorio. Converge de forma práctica en torno a 50–100 repeticiones.
Experiment 6 — RTR, Bootstrap Analysis and the Role of Relative Order
Analiza RTR con 10.000 remuestreos bootstrap; encuentra r = −0.417 y confirma que el orden relativo de los valores, no solo su magnitud, influye en el resultado.
Emergent Corpus v1.0 — Spectral Geometry from Minimal Hue→Frequency Sonification
Corpus de 14 obras sonificadas con la regla mínima hue→frecuencia. El clustering no supervisado agrupa correctamente el 92.9% de los casos, mostrando que la dimensión espectral (Ds) actúa como invariante incluso con esta versión simplificada del pipeline.
Nature Corpus v2 — Saturation as Predictor of Emergent Harmonic Count (N=21)
21 fotografías de paisaje tomadas con móvil. La saturación de color predice el número de armónicos emergentes con una correlación muy alta (r = 0.9644).
Clustering Dataset v1 — Unsupervised Sonic Grouping Across 74 Artworks
Agrupamiento no supervisado (k-means, k=4, con PCA) sobre 74 obras sonificadas. Identifica un cluster dominado por Rembrandt y a Signac como outlier del corpus.
Línea RMA — Auditoría de pérdida estructural
Qué sobrevive a una transformación determinista, dominio por dominio
R↔A
10.5281/zenodo.21207188
ARGIRA ↔ RMA v1.4 — Reproducible Technical Artifacts for Auditing Candidate Structural Information Loss in Cross-Modal Translation
Última versión de la línea RMA en el formato de paquete estático (documentos, informes, scripts) — no la versión final de la línea RMA en general, que es el Knowledge Explorer v1.8 y la sustituye. Añade la auditoría Expansion Score, comparando Random Forest contra un modelo de interacción de bajo orden.
Historial de versiones (v1 – v1.4)
v1.3 Cierra tempo_bpm, el último target compartido por tres candidatos (recuperación exacta con modelo per-canal anidado). Completa la Layer 2 de Candidate 4 (correlación, MI, PCA, feature importance) y añade análisis de estabilidad bootstrap: revela que, de los pares confounder reportados como ~0 en Layer 2, solo uno resulta estable bajo remuestreo — el resto es indistinguible del ruido de muestreo. No reabre ningún resultado ya cerrado; añade una medida de estabilidad que los puntos estimados por sí solos no podían dar. 10.5281/zenodo.21154398 ↗
v1.2 Dependency Mapping (Step 2.0) obligatorio + 2 candidatos nuevos (Textura, Color) + Global Structural Representation. 10.5281/zenodo.21144059 ↗
v1.1 Incorpora LOO-CV + bootstrap CI sobre Design A2 (Spatial Arrangement). 10.5281/zenodo.21132235 ↗
v1 Primera versión. Design A (circular, control) y Design A2 (no circular) para Spatial Arrangement. 10.5281/zenodo.21131138 ↗
KEx
10.5281/zenodo.21400719
MIDI
ARGIRA ↔ RMA Knowledge Explorer v1.8 — Interactive Dependency Network and Residual Model Auditing Framework
Versión actual y más reciente de toda la línea RMA. Sustituye al paquete estático de documentos y scripts por una aplicación interactiva que corre offline en el navegador (motor Python vía Pyodide), organizada en tres capas: Evidence (resultados auditados), Research (hipótesis exploratorias) y Analysis (exploración bajo demanda, cuyos resultados quedan locales a la sesión del navegador y nunca se promueven automáticamente a Evidence). v1.8.0 es una publicación de estabilización centrada en consistencia del release, integridad del artefacto y claridad documental — integra el build HTML standalone confirmado como artefacto canónico, verifica que se preserva la funcionalidad de v1.7 (incluidas las representaciones de conocimiento v3.4 y v3.5.7) y la separación de Research Mode, y actualiza documentación y metadatos de citación; no hay cambios en la metodología computacional de RMA, el cálculo de Bootstrap CI, el análisis de R² residual ni la lógica de clasificación estadística. Documenta como caso límite no confirmado un posible escenario de persistencia de mensaje de la interfaz de Bootstrap, revisado mediante inspección estática de código: solo podría producirse bajo una condición de temporización de interacción muy concreta con controles bloqueados durante la transición entre la finalización de Bootstrap y el desbloqueo de la interfaz; no se ha reproducido en uso normal y no se aplicó ningún cambio de código en v1.8.0.
Historial de versiones (v1.4 – v1.7)
v1.7 Integra la representación del pipeline ARGIRA v3.5.7 (frente a v3.4 en versiones previas), con el dataset sonificacion_resultados_108.csv (108 pinturas) y descriptores de matiz adicionales. Motor RMA sin cambios; solo se amplía el espacio de features representado. 10.5281/zenodo.21384719 ↗
v1.6 Embebe el corpus completo (N=227) directamente en el HTML, permitiendo que el Modo Analysis funcione sin CSV externo. Renombra el archivo principal a ARGIRA_RMA_Knowledge_Explorer.html. Añade exportación de informes en HTML/JSON/PDF y del grafo en SVG. Nota de la propia ficha: a partir de esta versión, la licencia pasa de ser dual MIT/CC BY-NC-SA a ser íntegramente CC BY-NC-SA 4.0. 10.5281/zenodo.21258130 ↗
v1.5 Cambia el formato del artefacto principal: sustituye el paquete estático de documentos/scripts (usado hasta v1.4) por una única aplicación web interactiva que corre offline en el navegador, con el motor rma_core.py ejecutándose vía Pyodide. Introduce la separación explícita en tres capas — Evidence (resultados auditados, solo lectura), Research (hipótesis exploratorias) y Analysis (ejecución bajo demanda, nunca promovida automáticamente a Evidence). Sin cambios al pipeline congelado ni a resultados previos. 10.5281/zenodo.21229821 ↗
v1.4 Última versión de la línea ARGIRA↔RMA en formato de paquete estático (documentos, informes, scripts). Añade la auditoría Expansion Score (RF vs. modelo de interacción de bajo orden). A partir de aquí la línea muta al formato Knowledge Explorer. 10.5281/zenodo.21207188 ↗
Residual Mapping Auditor (RMA) — Confirmatory Feature-Validation Pipeline for Symbolic MIDI Features (MAESTRO / Aria-MIDI)
Aplica el auditor RMA a features simbólicas de partituras MIDI. La variable duration_std se confirma en el corpus MAESTRO (R²=0.32) pero no se sostiene en Aria-MIDI (R²=−0.26).
RMA-OCR v1 — Auditing Structural Information Preservation Under Optical Character Recognition
Audita cuánta estructura sobrevive al pasar documentos por reconocimiento óptico de caracteres (Tesseract 5.3.4), sobre el corpus FUNSD, con 20 variables estructurales evaluadas en 4 fases.
RMA-JPEG v1 — Auditing Structural Information Preservation Under JPEG Compression
Audita la pérdida de estructura al comprimir en JPEG (calidad QF=10) 109 pinturas. El color se conserva casi intacto (r≥0.98) pero la densidad de bordes se degrada más (r=0.77).
RMA3
10.5281/zenodo.21114015
RS
Residual Mapping Audit (RMA) v3 — A Framework for Model-Class Dependent Residual Analysis in Parametric Systems
Formaliza el framework general de auditoría: test de permutación, análisis de invarianza y validación cruzada leave-one-out/bootstrap, con 169 de 169 tests superados. La v2 corrigió tres bugs de reproducibilidad y lo aplicó tanto a la sonificación de pinturas (ARGIRA, N=227) como a un dataset ajeno de eficiencia energética (UCI, N=768), con resultados cualitativamente distintos entre dominios.
Historial de versiones (v1 – v2)
v2 Corrige tres bugs que afectaban la reproducibilidad y los resultados de benchmark de v1; todos los resultados empíricos se recalcularon con el código corregido. Aplicado a sonificación de pinturas (ARGIRA, N=227) y UCI Energy Efficiency (N=768), con resultados cualitativamente distintos entre dominios y entre targets dentro del mismo dataset. 10.5281/zenodo.21048838 ↗
Residual Structure in Painting Sonification: Correlation Patterns in Chromatic and Acoustic Features
Documenta la correlación hue_std→rugosidad en un corpus de 74 obras (r=0.923). El índice etiqueta también "filotaxis" y tres hipótesis (H1–H3) sin desarrollarlas más — consultar el DOI para el contenido completo.
Instrumento perceptual · Arquitectura RAF
Campo navegable, acoplamiento continuo y memoria de trayectoria
C_T
10.5281/zenodo.20668299
RAF
10.5281/zenodo.20651233
CP11
10.5281/zenodo.20580203
C_T: Trajectory Memory Layer for RAF-Based Perceptual Systems — Design Rationale and Phase 0 Validation
RAF-Based Continuous Perceptual Coupling Architecture for Multi-Layer Cognitive Systems
Argira Campo Perceptual — Instrumento de Exploración Sonora de Obras de Arte (v11)
Accesibilidad · Caracterización visual
Alt-text con incertidumbre comunicada, más reciente que la línea RMALa línea completa de accesibilidad (ARGIRA v1.4.x, validaciones de fractal_D, RMA sintético) está documentada en la sección Accesibilidad ↓.
Material histórico · Pipelines y variantes
Desarrollo previo a la serie numerada, mantenido por trazabilidadMostrar 21 depósitos de desarrollo previo (v14–v21, pipelines de mapping, dataset B_v9) · serie completa hasta v23 destacada arriba
WAV
10.5281/zenodo.18899967
MV
10.5281/zenodo.20366726
SA
10.5281/zenodo.20366185
P09
10.5281/zenodo.20366184
P08
10.5281/zenodo.20366040
P10-13
10.5281/zenodo.20366726
SB
10.5281/zenodo.20385782
GE
10.5281/zenodo.20387081
TN
10.5281/zenodo.20353894
Argira Station — Sonified Paintings Audio Dataset (N=45 archivos WAV)
45 archivos de audio generados por el pipeline v3.5, con hue_std mapeado a frecuencia, Dv a textura granular y tempo a distribución espacial.
Mapping Variants Series — Pipelines 10–13 (log, mel, estocástico, cuadrático)
Compara cuatro funciones de mapeo hue→frecuencia (log, mel, estocástico, cuadrático), con correlaciones entre r=0.878 y r=0.951, frente a un control scanline con r=−0.116.
Sine Additive Pipeline — Harmonic vs. Non-Harmonic Comparison
Compara un pipeline armónico (09, r=+0.951) con uno no armónico (07, r=+0.687).
Sine additive sonification pipeline — Comparación de 3 arquitecturas (07/09/08)
Compara pipeline naive (07, r=+0.687), sine armónico (09, r=+0.951) y scanline de control (08, r=−0.116), con N=30.
Argira Scanline Pipeline v2 — Mapeo espacial sin hue→frecuencia (control)
Pipeline de control sin mapeo hue→frecuencia; corrige FREQ_MAX de 2000 a 10000 Hz. N=26, r=−0.116 (p=0.572) frente al pipeline naive r=+0.710 (p<0.001).
Argira Mapping Variants Series (Pipelines 10–13) — Test de funciones hue→frecuencia
Cinco pipelines probando log, mel, estocástico y cuadrático como funciones hue→frecuencia, con correlaciones entre r=+0.878 y r=+0.935, N=30.
ARGIRA Synthetic Controlled Benchmark v2 — Independencia H, S, I (10 imágenes sintéticas)
10 imágenes sintéticas que aíslan hue, saturación e irregularidad espacial; contrasta dos imágenes con el mismo hue_std pero distinto número de armónicos.
ARGIRA Gradient Experiment v2 — Respuesta acústica completa (21 imágenes I00–I20)
Caracterización acústica de 21 imágenes sintéticas (I00–I20) a lo largo de un gradiente de irregularidad espacial, con métricas por nivel.
Stereo Width: Malevich vs. Kandinsky — La paradoja de complejidad invertida
Nota técnica sobre una paradoja de amplitud estéreo: Malevich obtiene W=0.196 y Kandinsky W=0.058, resultado invertido respecto a lo esperado por complejidad.
Infraestructura · Software y corpus fundacionales
v3.4
10.5281/zenodo.20550714
B9
10.5281/zenodo.20266242
B9D
10.5281/zenodo.20258314
CC
10.5281/zenodo.20322821
D17
10.5281/zenodo.20126917
P16
10.5281/zenodo.20123821
S15
10.5281/zenodo.20113356
v22
10.5281/zenodo.20170517
v23
10.5281/zenodo.20234082
10.5281/zenodo.20097327
10.5281/zenodo.18989327
Web
10.5281/zenodo.20545664
v15
10.5281/zenodo.20113356
v16
10.5281/zenodo.20123821
v17
10.5281/zenodo.20126917
08
10.5281/zenodo.20366040
v18
10.5281/zenodo.20133939
v19
10.5281/zenodo.20135805
v20
10.5281/zenodo.20155401
v21
10.5281/zenodo.20157205
Argira Sonification Pipeline v3.4 — Calibración empírica, arquitectura de 3 canales ortogonales
Calibración empírica de una arquitectura de 3 canales ortogonales sobre N=187 obras; edge_density→mod_depth r=+0.900 (OLS), con roughness eliminado por colinealidad.
ARGIRA B_v9 — Spectro-Temporal Analysis of Sonified Visual Art (72 artworks)
Análisis espectro-temporal de 72 obras sonificadas, 2.160 observaciones banda-velocidad, con una transición de régimen en 4–8 kHz donde ρ pasa de +0.973 a −0.22.
ARGIRA B_v9 Dataset — Structural Persistence Across Spectro-Temporal Transformations
Dataset de 72 obras cruzando 6 bandas de frecuencia y 5 velocidades, con ρ = −0.9524 entre la banda 4–8 kHz y hue_std.
Cycle Closure Experiment — Geometric Invariants for Sonified Visual Art (74 artworks)
Prueba de invariantes geométricos sobre 74 obras: la inversión completa del proceso no es posible (error medio 0.709), aunque cx→pan tiene error <0.05 y edge_density→effort r=0.759.
Argira Dataset v17 — 74 obras · hue_std → Ds r = 0.9233
74 obras de dominio público con hue_std→Ds r=0.9233, R²=0.8524, validado con test de permutaciones (N=1000, p<0.001).
Argira Sonification Pipeline v16 — N=47, r=0.9289 (extended, not peer-reviewed)
Versión extendida sin revisión por pares, N=47: VTI→Ds r=0.9289, validación cruzada con filtro Sobel r=0.9570.
Argira Station v15 — Standalone Analyzer (6 métricas validadas)
Analizador independiente con 6 métricas validadas: hue_std→Ds r=0.9289, irregularidad→Sobel r=0.9570, N=47.
Argira Sonification Analyzer v22 — Descripción de objetos con Claude Vision
Integra Claude Vision como canal complementario de descripción de objetos, mediante servidor proxy (Node.js/Render) con fallback si la API no está disponible.
Argira Sonification Analyzer v23 — Spatial audio · centroid.x → pan · centroid.y → registro
Añade audio espacial (centroid.x→pan, centroid.y→registro) sobre 4 dimensiones perceptivas con Web Audio API; es la versión activa que usa el museo sonoro.
v18–21
v14
Argira Pipeline v14 — Dataset N=47, r=0.9289
Dataset de N=47 obras con r=0.9289, validado con test de permutaciones (N=1000).
B9v2
10.5281/zenodo.20357570
Vis
ARGIRA B_v9 Dataset v2 — Umbral v* y módulo háptico client-side (43 obras)
Aplica el umbral v* = 7800 − 12500·hue_std a 43 obras reales (r=0.9370) y activa el módulo háptico client-side en la demo.
v1 (10.5281/zenodo.20354217 ↗) fue la nota técnica que formalizó el modelo del umbral v* = k − m·hue_std sobre las tres capas del ecosistema (Python, JS, extensión háptica Android), sin dataset propio. v2 es la primera versión que aplica el umbral a datos reales (43 obras) y reporta la correlación.
Argira Vision v0.5 — Descripción semántica hablada de imágenes (Claude API)
Añade un canal semántico complementario que describe las imágenes en voz alta usando la Claude API y Web Speech API, sin necesidad de servidor.
ARGIRA Investiga — Página de investigación interactiva del proyecto (v3.0)
Página interactiva que reúne los experimentos 1–15 y los hallazgos de la serie ARGIRA I–V, con una taxonomía de mappings, conforme a WCAG AA.
Argira Station v15 — Standalone analyzer, 6 métricas validadas
Analizador independiente con 6 métricas validadas: hue_std↔Ds r=0.9289, N=47.
Argira Sonification Pipeline v16 — Versión extendida (N=47, r=0.9289)
Versión extendida posterior al envío a ICAD (v10), N=47, r=0.9289, Sobel r=0.9570; documenta también un resultado negativo con FFT 2D.
Argira Dataset v17 — 74 obras, r = 0.9233
Replicación independiente con corpus extendido a 74 obras, r=0.9233, R²=0.8524.
Argira Scanline Pipeline v2 — Control sin hue→frecuencia
Pipeline de control con arquitectura espacial sin mapeo hue→frecuencia; documenta un resultado nulo (r=−0.116).
Argira Sonification Analyzer v18 — Versión modular, filtro high-shelf
Reescribe el analizador con arquitectura modular y filtro high-shelf, como herramienta de navegador basada en Web Audio API.
Argira Sonification Analyzer v19 — Control de velocidad (lupa temporal)
Añade control de velocidad (lupa temporal) en rango 0.5×–1.5×, preservando la correlación r>0.92.
Argira Sonification Analyzer v20 — Sonificación táctil del color, modo noche
Sonificación táctil del color en modo noche: toque de píxel→tono, saturación→timbre, brillo→volumen.
Argira Sonification Analyzer v21 — Anuncio de posición espacial (cuadrícula 3×3)
Anuncia primero la posición en una cuadrícula 3×3 y después el color, por ejemplo "arriba izquierda, azul".
De la sonificación
a la incertidumbre comunicada
A partir de agosto de 2026, el programa ARGIRA se extiende a un problema distinto y complementario: cómo comunicar la incertidumbre de una estimación automática de texto alternativo (alt-text) a una persona que no puede verificarla visualmente. A diferencia de los lectores de pantalla comerciales, que presentan sus descripciones como hechos, ARGIRA v1.4.x expone de forma explícita la confianza de cada estimación y las señales que la sustentan — usando estadística de imagen determinista, no redes neuronales.
Esta línea incluye tres estudios de validación independientes sobre la fiabilidad de las señales técnicas empleadas (estabilidad de fractal_D, vulnerabilidad de características de discriminación de origen, y validación empírica de RMA con 1.200 ejecuciones controladas), publicados con el mismo estándar de honestidad metodológica que el resto del programa: se documenta tanto lo que las señales pueden sostener como lo que no.
v1.4.7
10.5281/zenodo.21970403
Val
10.5281/zenodo.21946989
Val
10.5281/zenodo.21945633
Val
10.5281/zenodo.21935413
v1.4.4
10.5281/zenodo.21924218
Vis
10.5281/zenodo.19759118
ARGIRA v1.4.7 — Three-Layer Uncertainty Communication Prototype for Automatic Alt-Text
Nuevo
Tres bloques de cambios: (1) selector de idioma ES/EN con enlace cruzado entre versiones; (2) navegación de resultados por tarjetas individuales con foco explícito — ya no se anuncian automáticamente al insertarse; adaptaciones para JAWS (verificación parcial), TalkBack (heredada de versiones anteriores) y VoiceOver (adaptado en código, sin verificar en entorno real); (3) reordenación de controles, texto de error revisado, eliminación de lenguaje interno del header visible al usuario. No introduce cambios en la heurística de clasificación ni en el cálculo de incertidumbre. Los dos artefactos HTML (ES/EN) son autocontenidos: funcionan localmente sin instalación ni conexión a red. El autor insiste en que ARGIRA sigue siendo un artefacto de investigación experimental, no un producto terminado ni tecnología de accesibilidad validada.
Historial de versiones (v1.0 – v1.4.6)
v1.4.6 · 16 Ago 2026 Reescritura de la interfaz de Layer 2/3: explicación en lenguaje más claro, presentación más prominente de la estimación del instrumento, indicación visual de clasificación runner-up, aviso separado cuando la fiabilidad de una estimación es reducida, reorganización de "Más información" manteniendo cada sección desplegable asociada a su control, y control de tamaño de texto A+/A-. Corrige un fallo de accesibilidad responsive: el foco de teclado/lector de pantalla sobre una tarjeta de resultado podía quedar oculto tras la barra de navegación fija; el fix se adapta a la altura real de la barra, incluso con viewport estrecho o con el control de tamaño de texto activo. Verificado con test automatizado en 4 anchos de viewport (320/375/414/768px) más el control de tamaño de texto al 130%, esperando la estabilización del scroll antes de medir (sin delays arbitrarios); 12/12 casos superados. TalkBack se mantiene verificado de versiones anteriores; VoiceOver no se evaluó por no disponer de entorno de prueba — alcance sin probar, no una validación fallida. Sin cambios en el algoritmo de clasificación. Nota del autor: el DOI del pie de página del HTML apunta por error a v1.4.4 en vez de a esta versión; no afecta al contenido ni al comportamiento. 10.5281/zenodo.21965506 ↗
v1.4.5 · 16 Ago 2026 Fija de forma deliberada y estable el comportamiento público de aviso de incertidumbre: KNOWN_UNRELIABLE_MODE queda fijo a "aviso automático breve" (brief_auto_notice), mostrado siempre que un resultado se clasifica como known_unreliable, igual en los artefactos HTML en inglés y en español. El objetivo declarado es que la demo pública comunique su comportamiento actual de forma directa y consistente, sin convertir a los usuarios del demo en sujetos de un experimento no anunciado. Revela y documenta la existencia de un checkpoint interno no publicado, construido sobre v1.4.4, que había conectado ese aviso a SESSION_CONDITION, una condición experimental A/B (50/50 entre "solo bajo demanda" y "aviso automático breve") asignada por sesión en cada carga de página — ese A/B nunca se publicó como tal en Zenodo. El código de SESSION_CONDITION y assignSessionCondition() se mantiene presente en el paquete pero desconectado del comportamiento público, como infraestructura para una posible fase experimental futura que requeriría metodología, plan de recogida de datos, consentimiento informado y diseño de privacidad propios; esta versión no añade mecanismo de feedback de usuario, recogida de datos experimentales ni selector de modo. Se añade además una sección visible y breve en ambos artefactos HTML explicando el modo de comunicación de incertidumbre vigente. No se modifica el algoritmo de clasificación heurística de imagen, la tabla de calibración, el cálculo de margen/runner-up (umbral 0.18), level1PlusNotice(), el campo notice_mode_used ni sus exportaciones CSV/JSON — todo se mantiene igual que en el checkpoint de trabajo previo, igual que la corrección de consistencia entre el texto en pantalla, el aria-label y las acciones de copiar/aplicar a alt-text y sus exportaciones. Verificación de accesibilidad: se mantiene la verificación manual con Android TalkBack de versiones anteriores; VoiceOver no se evaluó por no disponer de entorno de prueba — alcance sin probar, no una validación fallida. No se realizó estudio externo con usuarios ni evaluación con participantes en esta versión. El paquete incluye los artefactos English/Spanish, README, CHANGELOG, CITATION.cff, licencia CC BY-NC-SA 4.0, y exportaciones CSV históricas del checkpoint experimental junto con exportaciones nuevas que confirman notice_mode_used consistentemente en brief_auto_notice bajo el comportamiento fijado de v1.4.5. Sigue siendo un artefacto de investigación experimental, no presentado como producto terminado ni como tecnología de accesibilidad validada. 10.5281/zenodo.21959360 ↗
v1.4.4 · 13 Ago 2026 Publicación de refinamiento de accesibilidad y localización. Revisa y afina la comunicación en inglés en toda la interfaz principal: información de resultado, etiquetas de accesibilidad, mensajes dinámicos, paneles de metadatos y contenido explicativo, manteniendo la variante en español alineada con la inglesa — ambas siguen siendo artefactos HTML independientes, sin selector de idioma en la aplicación. Preserva el enfoque de comunicación de incertidumbre en tres capas y la distinción ya establecida entre las capacidades de esta demo concreta (heurística estadística de píxeles, sin modelo de visión por computador con reconocimiento semántico) y el proyecto ARGIRA más amplio; el texto generado se sigue describiendo como una descripción automática de tipo, no una descripción semántica de la imagen. Preserva también la navegación establecida en modo solo-accesibilidad y el recorrido esencial de resultado: tipo de imagen, confianza, alt-text generado, copia, y navegación anterior/siguiente. Verificación de accesibilidad: se mantiene la verificación manual con Android TalkBack de versiones anteriores; VoiceOver no se evaluó por no disponer de entorno de prueba — alcance sin probar, no una validación fallida; no se realizó estudio externo con usuarios. No introduce nuevo algoritmo de clasificación de imagen, modelo de calibración ni condición experimental — la clasificación heurística, la lógica y umbrales de calibración, los datos embebidos, los identificadores y el mecanismo de sesión experimental se preservan sin cambios respecto a v1.4.3. Sigue siendo un artefacto de investigación experimental, no presentado como producto terminado ni como tecnología de accesibilidad validada. 10.5281/zenodo.21924218 ↗
v1.4.3 · 13 Ago 2026 Publicación de accesibilidad y localización. Refina la explicación introductoria de qué hace el prototipo y, de forma importante, distingue explícitamente las capacidades de esta demo concreta —heurística estadística de píxeles y plantillas predefinidas, sin modelo de visión por computador con reconocimiento semántico; puede estimar el tipo probable de una imagen y exponer sus señales estadísticas e incertidumbre, pero no identifica objetos, personas ni escenas— del proyecto ARGIRA más amplio, que sí incluye otras herramientas y enfoques experimentales para contenido de imagen; evita así que la limitación de este prototipo concreto se atribuya por error a ARGIRA en su conjunto. También aclara que el texto generado es una descripción automática de tipo, no una descripción semántica de la imagen. El aviso de limitación CORS del navegador pasa de bloque siempre expandido a un desplegable nativo (patrón details/summary), reduciendo ruido visual y de navegación al abrir la aplicación sin ocultar la información a quien la necesite; sigue excluido de la ruta reducida en modo solo-accesibilidad. Revisa consistencia de texto de interfaz, etiquetas accesibles, mensajes dinámicos, paneles de metadatos y contenido explicativo en ambas variantes de idioma, que siguen siendo artefactos HTML independientes. Verificación de accesibilidad: se mantiene la verificación manual con Android TalkBack de versiones anteriores; VoiceOver no se evaluó por no disponer de entorno de prueba — alcance sin probar, no una validación fallida; no se realizó estudio externo con usuarios. No introduce nuevo algoritmo de clasificación, modelo de calibración ni condición experimental — clasificación heurística, lógica de calibración, umbrales, datos embebidos, identificadores y mecanismo de sesión experimental se preservan sin cambios respecto a v1.4.2. Sigue siendo un artefacto de investigación experimental, no presentado como producto terminado ni como tecnología de accesibilidad validada. 10.5281/zenodo.21916695 ↗
v1.4.2 · 8 Ago 2026 Parche centrado en accesibilidad. Refina el modo solo-accesibilidad para reducir navegación innecesaria de lector de pantalla: se ocultan de la ruta de accesibilidad los avisos y notas de imagen de ejemplo, junto con los controles "Más detalles"/"Más información" y su contenido asociado, dejando disponible el recorrido esencial (tipo de imagen, confianza, alt-text generado, copia, navegación anterior/siguiente). Corrige además un fallo real de la implementación anterior: la clase CSS que ocultaba el panel desplegable no alcanzaba al botón que lo abría ni al botón separado "Más información", por lo que ambos seguían siendo alcanzables por lector de pantalla aunque sus paneles estuvieran ocultos. Verificado manualmente con Android TalkBack en las variantes en inglés y español. Las seis acciones de exportación masiva (copiar todo como texto/CSV/JSON y descargar TXT/CSV/JSON) se agrupan ahora bajo un único control nativo expandible "Opciones de exportación", disponible en modo normal y en modo solo-accesibilidad; cuando está colegido, las seis acciones dejan de añadir paradas independientes en la navegación de lector de pantalla. Las funciones de exportación subyacentes no cambian. También corrige el número de imágenes de ejemplo incluidas (de cuatro a tres) y acorta la descripción del modo solo-accesibilidad para reducir salida redundante en el lector de pantalla. Verificación heredada de v1.4.1: sigue sin resolver que la sección "Más información" debería abrirse por activación y no solo al recibir foco; VoiceOver no se evaluó por no disponer de entorno de prueba — alcance sin probar, no una validación fallida; no se realizó estudio externo con usuarios. No introduce nuevo algoritmo de clasificación, modelo de calibración ni condición experimental; se preservan el mecanismo de sesión experimental, identificadores, lógica de clasificación, lógica de calibración, umbrales y flujo de datos. Paridad estructural mantenida entre los artefactos en inglés y español. 10.5281/zenodo.21852709 ↗
v1.4.1 · 8 Ago 2026 Parche de accesibilidad visual y de objetivo táctil, exclusivamente CSS. Aumenta el texto base de interfaz de 14px a 16px, el alt-text generado a ~16px, los controles primarios a ~14px, y los controles secundarios a ~13px con altura de objetivo táctil aumentada de ~28px a ~38px; el texto de privacidad/estado y los metadatos de resultado pasan a ~13px; la insignia de tipo de imagen mantiene su escala compacta por ser una etiqueta de estado breve, no contenido principal. El cambio se aplicó de forma idéntica a los artefactos en inglés y español, que quedan con hojas de estilo byte a byte idénticas. No hay cambios en estructura HTML, identificadores de elementos, JavaScript, lógica de clasificación, lógica de calibración, mecanismo de sesión experimental (SESSION_ID, SESSION_CONDITION), umbrales ni flujo de datos. Verificación heredada de v1.4.0: verificación manual con Android TalkBack confirmó 8 de 9 puntos del checklist en las variantes experimentales forzadas usadas en la Fase 3C; queda sin resolver que la sección "Más información" debería abrirse por activación y no solo al recibir foco de navegación. VoiceOver no se evaluó por no disponer de entorno de prueba — alcance sin probar, no una validación fallida; no se realizó estudio externo con usuarios. Ambos artefactos derivan del prototipo congelado v1.3.0-alpha y preservan el mismo mecanismo de sesión experimental, identificadores, lógica de clasificación, lógica de calibración, umbrales y flujo de datos, con paridad estructural mantenida entre variantes. 10.5281/zenodo.21850529 ↗
v1.4.0 · 8 Ago 2026 Publicación incremental que extiende el prototipo v1.3.0-alpha en dos frentes: verificación de accesibilidad y localización al español. Incluye la primera verificación manual de accesibilidad del desarrollador con Android TalkBack sobre las variantes experimentales forzadas usadas en la Fase 3C, siguiendo el checklist predefinido de lector de pantalla del proyecto: 8 de 9 puntos confirmados; queda explícitamente sin resolver que la sección "Más información" debería abrirse solo por activación, no simplemente al recibir foco de navegación. Apple VoiceOver no se evaluó por no disponer de entorno de prueba — alcance sin probar, no una validación fallida. Añade una variante en español del prototipo (argira_demo_es.html) junto al artefacto original en inglés (argira_demo_v2.html), como dos artefactos HTML independientes y ejecutables por separado; la selección de idioma en esta versión se hace eligiendo el artefacto correspondiente — no hay selector de idioma en la aplicación, ni conmutador, ni detección automática por idioma del navegador, ni enlace cruzado entre variantes. Ambas variantes derivan del mismo prototipo congelado v1.3.0-alpha y preservan el mismo mecanismo de sesión experimental, identificadores, lógica de clasificación, lógica de calibración, umbrales y flujo de datos; la localización cubre el perímetro de interfaz y contenido generado ya definido, incluida la función de descripción de accesibilidad y las plantillas de texto generado auditadas — donde el inglés usa lógica de artículos específica del idioma, el español usa construcción gramatical nativa preservando el mismo resultado semántico. La verificación estructural confirmó paridad entre ambos artefactos, incluida la estructura de funciones JavaScript, identificadores de elementos, SESSION_ID y SESSION_CONDITION; las diferencias se restringen al contenido de localización autorizado y a la construcción gramatical propia del español. No introduce nuevo algoritmo de clasificación, modelo de calibración, condición experimental ni interfaz de selección de idioma. 10.5281/zenodo.21849334 ↗
v1.3.0-alpha · 7 Ago 2026 Extiende la infraestructura de v1.2 hacia una futura evaluación exploratoria de accesibilidad. El pipeline analítico se mantiene sin cambios respecto a v1.2: para la misma imagen de entrada, la clasificación, la evaluación de calibración, la estimación de confianza y el texto alternativo generado no difieren entre ambas versiones. Introduce instrumentación a nivel de sesión y de evento: identificadores de sesión adjuntos a los resultados y registro ligero de interacciones con los controles de aviso de incertidumbre. Esta infraestructura está pensada para apoyar una futura evaluación de accesibilidad con usuarios de lector de pantalla; no se realizó ningún estudio de usuarios ni análisis comparativo en esta versión. Se presenta como prototipo de investigación para documentación y experimentación, no como sistema de clasificación de imagen validado para producción; la validación de Layer 2 y Layer 3 realizada para v1.1 no se repitió aquí porque el pipeline analítico validado no cambió. El Result Manager (Layer 3.5), la instrumentación de sesión y la instrumentación de eventos se consideran componentes de infraestructura, no componentes analíticos, y no han sido objeto de un estudio de validación formal por sí mismos. 10.5281/zenodo.21843103 ↗
v1.2 · 7 Ago 2026 Extiende la infraestructura de demostración y gestión de resultados preservando el pipeline analítico validado de v1.1; la heurística de las Layers 1–2.5 no cambia. Para la misma imagen de entrada, ni la clasificación, ni la evaluación de calibración, ni la estimación de confianza, ni el texto alternativo generado difieren entre v1.1 y v1.2. Introduce Layer 3.5 (Result Manager): persistencia de resultados en memoria, exportación multi-formato (TXT, CSV y JSON) a través de una única interfaz de serialización, copia al portapapeles y descarga de archivo para cada formato soportado, y mejoras de accesibilidad que incluyen un skip link y relaciones ARIA explícitas entre los controles desplegables y sus paneles asociados. Se publica como prototipo de investigación para documentación y experimentación, no como sistema de clasificación de imagen validado para producción; la validación de Layer 2 y Layer 3 realizada para v1.1 no se repitió en esta versión porque el pipeline analítico validado no cambió. El nuevo Result Manager (Layer 3.5) se considera componente de infraestructura, no parte del pipeline analítico, y no ha sido objeto por sí mismo de un estudio de validación formal. 10.5281/zenodo.21839157 ↗
v1.1 · 7 Ago 2026 Primera implementación de la arquitectura de comunicación en tres capas, tanto en Python como en JavaScript. Se verificó que ambas implementaciones producen el mismo resultado de comunicación de Layer 2 en todas las combinaciones soportadas de estado de calibración/tipo predicho, y el prototipo de navegador se validó manualmente. El paquete incluye material de validación completo (especificación de arquitectura, tabla de calibración, modelo de conocimiento, revisiones de redacción y un documento de cierre de validación), las implementaciones de referencia en Python y el prototipo de navegador, una implementación de referencia anterior con las imágenes de muestra usadas en la validación, checksums SHA-256 de todo el paquete para verificación de integridad, y un apartado de trabajo abierto sobre paridad heurística entre las implementaciones Python y JavaScript de Layer 1 — explícitamente no resuelto ni parte de la validación completada para esta versión. Se publica como prototipo de investigación para documentación y experimentación, no como sistema de clasificación de imagen validado para producción. 10.5281/zenodo.21834198 ↗
v1.0-Experimental · 7 Ago 2026 Primera publicación experimental congelada del instrumento de clasificación de tipo de imagen de ARGIRA. El repositorio contiene la heurística HTML original, una implementación fiel en Python usada exclusivamente para caracterización, los resultados de caracterización sobre un corpus de 162 imágenes, documentación metodológica y materiales de reproducibilidad. La heurística clasifica imágenes en cuatro categorías predefinidas (pintura, fotografía, generada por IA, ilustración) usando estadísticas deterministas de imagen (irregularidad, entropía, densidad de bordes, entropía de tono y entropía de saturación); no usa modelos de aprendizaje automático ni clasificadores entrenados. El corpus de caracterización contiene 108 pinturas, 15 fotografías, 19 patrones geométricos sintéticos y 20 imágenes reales generadas por IA con Stable Diffusion obtenidas de Lexica. Resultados principales de caracterización: precisión global del 38,9%; 0% de detección de las imágenes reales generadas por IA incluidas en el corpus; ningún error de alta confianza (confianza ≥ 0,75). Esta publicación documenta el instrumento exactamente tal como fue evaluado — no se presenta como detector de imágenes de IA de última generación ni como benchmark. Las imágenes originales del corpus no se redistribuyen; el repositorio incluye solo hashes y metadatos para facilitar la reproducibilidad respetando las licencias de las imágenes. Mejoras futuras se publicarán como nuevas versiones, preservando esta base congelada para investigación reproducible. 10.5281/zenodo.21830302 ↗
Stability of ARGIRA's Fractal-D Feature and RMA-0 Audit — Validation and Reproducibility
Estudio complementario a ARGIRA v1.4.4 que investiga si el comportamiento observado del feature fractal_D se mantiene estable ante cambios de escala, método de interpolación, resoluciones intermedias y transformaciones controladas, junto con una auditoría del residuo asociado (RMA-0) — distinta del repositorio independiente de calibración RMA (1.200 ejecuciones, DOI 10.5281/zenodo.21935413). Corpus experimental de 52 imágenes (18 generadas por IA, 14 fotografías, 20 pinturas). Encadena siete fases documentadas: estabilidad de fractal_D sobre el corpus completo, análisis de curvas D individuales y diferencias sucesivas, control de interpolación Lanczos a distintas escalas, comparación bilineal vs. Lanczos, análisis de resoluciones intermedias, análisis de transformación residual, y la auditoría RMA-0 con control de efectos de formato/origen de imagen. La pregunta central es si la señal fractal_D es una propiedad estable de las imágenes analizadas o si su valor medido puede verse sustancialmente afectado por escala, interpolación, resolución o transformaciones controladas — examinando así la propia señal y las condiciones bajo las que cambia, no un valor numérico aislado como evidencia independiente de origen. El estudio no afirma que fractal_D por sí solo determine el origen de una imagen individual, ni constituye un sistema completo de detección de imágenes generadas por IA; los resultados deben interpretarse dentro del corpus, las implementaciones, las transformaciones y las condiciones experimentales documentadas. Paquete de reproducibilidad de 100 archivos (99 cubiertos por un manifiesto de integridad MD5) organizados en scripts, datos numéricos CSV/JSON, figuras, informes, el corpus de 52 imágenes, los materiales de la fase de control de formato/origen, los materiales de la auditoría RMA-0, y la fuente original de box_counting_dimension incluida como referencia metodológica para verificar la fidelidad de la implementación analizada. Los resultados están pensados para informar el desarrollo futuro de ARGIRA, incluyendo la evolución prevista hacia v1.4.5, pero este depósito no constituye por sí mismo la implementación de esa versión — la publicación de la investigación y su eventual incorporación al software son pasos separados. Complementario, no solapado, con el estudio independiente sobre vulnerabilidad y controlabilidad de las señales de discriminación de origen (DOI 10.5281/zenodo.21945633), que se centra en señales de luminancia y saturación en vez de en fractal_D.
Vulnerability and Controllability of Origin-Discrimination Features (AI / Painting / Photograph)
Estudio complementario a ARGIRA v1.4.4 que investiga si señales específicas de ARGIRA pueden distinguir de forma fiable entre imágenes generadas por IA, pinturas reales y fotografías reales. Resultado principal: las señales estudiadas no constituyen evidencia fiable de origen bajo las condiciones experimentales analizadas. fractal_D no discrimina significativamente entre imágenes generadas por IA y pinturas al usar la implementación real de producción sobre una muestra equilibrada; luminance_contrast + sat_mean sí muestra separación estadística entre grupos, pero es vulnerable a modificaciones habituales de brillo, contraste y saturación; el score de producción z_combined puede desplazarse mediante ediciones fotográficas controladas sin que las características estructurales de la imagen se desplacen de la misma manera; y las pruebas de estrés muestran variabilidad de score dentro de una misma clase comparable a la separación observada entre clases. Encadena nueve estudios o fases experimentales con artefactos verificables: prueba exploratoria de fractal_D y features candidatas culminando en una Ronda 5 con 20 imágenes generadas por IA frente a 20 pinturas usando un port fiel de la implementación real de producción ARGIRA v3.5; separación con luminance_contrast + sat_mean; validación con particiones de desarrollo y validación; verificación cruzada con imágenes generadas con Gemini; control experimental de iluminación, brillo, contraste y saturación; auditoría de luminance_mean; control de vulnerabilidad con pinturas reales; prueba de estrés sistemática con 13 familias de perturbación sobre tres imágenes base; y prueba de estrés ampliada con nueve imágenes base incluyendo generadas por IA, pinturas y fotografías. Las fases de emparejamiento natural y basado en ediciones (10C/10A) no se incluyen como resultados reproducibles porque no se localizaron artefactos verificables correspondientes. El estudio no establece el origen de ninguna imagen individual con certeza, no constituye un sistema completo de detección de imágenes de IA, no evalúa todos los generadores o pipelines de generación existentes, no evalúa arquitecturas de aprendizaje automático como enfoques alternativos, ni establece que el comportamiento observado generalice necesariamente a todos los conjuntos de datos, generadores o condiciones de imagen posibles — estas limitaciones no invalidan los hallazgos, sino que delimitan su alcance. Es un repositorio científico independiente, no parte de la publicación de ARGIRA v1.4.4 en sí; sus resultados están pensados para informar la evolución hacia v1.4.5, pero la publicación de este estudio y su implementación en el HTML son decisiones separadas — primero se establece y publica la evidencia científica de forma trazable, y después se decide qué conclusiones concretas se incorporan a la interfaz y lógica de esa versión futura, que debería citar este repositorio por su DOI como parte de la trazabilidad científica de los cambios derivados.
Empirical Validation of RMA Under Synthetic Control Conditions
Estudio de validación/calibración metodológica realizado como parte del desarrollo de la versión 1.4.5, dando continuidad a los análisis RMA (Residual Mapping Analysis) usados en la v1.4.4 precedente. Documenta una validación empírica de RMA bajo condiciones de control sintéticas con verdad de referencia conocida, evaluando su capacidad de discriminar entre datos correctamente especificados o sin señal y modelos deliberadamente mal especificados. Se probaron cinco condiciones generativas: un control externo de ruido puro, una condición lineal correctamente especificada, y tres condiciones deliberadamente mal especificadas (no lineal, compuesta y jerárquica); cada condición se evaluó en cuatro tamaños de muestra (n = 51, 100, 300 y 800), con 30 semillas aleatorias independientes y dos objetivos, resultando en 1.200 ejecuciones finales. Bajo las condiciones probadas, los casos correctamente especificados y sin señal produjeron valores de R² residual negativos que convergían hacia cero al aumentar el tamaño de muestra, mientras que las condiciones mal especificadas produjeron valores de R² residual positivos con separación creciente al aumentar la muestra; el control de ruido puro produjo 0% de falsos positivos observados en 240 ejecuciones bajo el umbral por defecto del framework (0.05). El estudio aporta respaldo empírico al comportamiento discriminativo de RMA bajo las condiciones sintéticas probadas, pero no constituye una validación general de RMA para todas las configuraciones posibles, ni valida los hallazgos derivados que usan RMA en D o en ARGIRA. El repositorio incluye resultados crudos completos, resultados agregados, el script de calibración, el wrapper de ejecución por bloques, el protocolo experimental congelado, documentación README y la visualización principal; el dataset final contiene 1.200 filas sin claves experimentales duplicadas y un hash de integridad de framework consistente en todos los registros. La versión v1.1.0 (vigente, enlazada aquí) añade rma_framework.py, la implementación de referencia del pipeline de auditoría RMA usada para producir estos resultados, omitida por error en la v1.0.0 anterior — una actualización de completitud de código: los datos, resultados y figuras subyacentes no cambian; MANIFEST.md5 y CITATION.cff se regeneraron para reflejar el nuevo archivo y versión.
ARGIRA v1.4.4 — Three-Layer Uncertainty Communication Prototype for Automatic Alt-Text
Argira Vision v0.5 — Descripción hablada de imágenes para personas ciegas (Claude API)
Concept DOI de esta línea (resuelve siempre a la versión más reciente): 10.5281/zenodo.21830301 · Anexo completo del ecosistema de herramientas: ver anexo ↗