Duplicados exactos y duplicados visuales: qué es cada uno de verdad

21 de agosto de 2026 · 9 minutos de lectura

Dos fotos se ven idénticas en tu pantalla. Un buscador de duplicados llama a una pareja «mismo archivo» y a la otra «misma imagen». Esa distinción suena a tecnicismo, y es lo más útil que puedes entender antes de borrar nada — porque una de las dos se puede limpiar sin mirar y la otra no, en absoluto.

Un duplicado exacto es una afirmación sobre los bytes

Todo archivo es una secuencia de números. Dos archivos son duplicados exactos cuando esas secuencias son idénticas: misma longitud y mismo valor en cada posición. No «prácticamente iguales». Idénticos.

Demostrarlo comparando byte a byte obligaría a leer los dos archivos enteros, para cada pareja posible — inviable en una carpeta de miles. Así que el trabajo se hace con una huella: cada archivo pasa por SHA-256, un algoritmo estandarizado por el NIST que convierte cualquier cantidad de datos en un valor fijo de 64 caracteres.

Dos propiedades lo hacen útil aquí. Cambia un solo bit en cualquier punto del archivo y la huella cambia por completo — no un poco, del todo. Y encontrar dos archivos distintos que den la misma huella es, hasta donde se sabe, computacionalmente inviable. Así que en la práctica, misma huella significa mismo archivo.

Lo que esto resiste es todo lo que no sea el contenido:

• Renombrarlo. IMG_2043.jpg y playa.jpg tienen la misma huella si los bytes coinciden.
• Moverlo a otra carpeta, otro disco, otro computador.
• Una fecha de creación o modificación distinta.

Y esto es lo que sí lo rompe, que es lo que sorprende: editar los metadatos reescribe el archivo. Añade una etiqueta o un título desde el explorador de Windows o desde Fotos, y los píxeles no cambian pero los bytes sí. Esa copia deja de ser duplicado exacto del original, aunque las dos imágenes sean indistinguibles. A la huella no le importa la foto: le importa el archivo.

Un duplicado visual es una afirmación sobre la imagen

El otro caso es el habitual con fotos: la misma imagen viviendo en archivos que no tienen nada en común a nivel de bytes.

Salen de sitios corrientes. Una foto enviada por WhatsApp vuelve recomprimida y más pequeña. Exportaste la misma toma dos veces con calidad distinta. Convertiste un PNG a JPEG. Alguien le hizo captura de pantalla a tu foto en lugar de guardarla. En todos los casos la imagen es la misma y el archivo es nuevo.

Ninguna huella va a conectar esos dos, y no es un defecto: es la huella haciendo exactamente aquello para lo que fue diseñada. Atraparlos exige una comparación de otra naturaleza, una que mire el aspecto en vez del contenido.

Cómo se mide el aspecto

La técnica se llama hash perceptual, y da la vuelta a la idea del hash criptográfico. El informe técnico de Ofcom sobre el tema plantea el contraste sin rodeos: un hash criptográfico se apoya en el efecto avalancha, donde un cambio mínimo produce una salida completamente distinta, mientras que los hashes perceptuales se construyen para que «archivos de entrada muy parecidos» produzcan «hashes muy parecidos».

La receta práctica es más simple de lo que suena. Se reduce la imagen a una rejilla diminuta, de unas pocas decenas de píxeles de lado. Se le quita el color y quedan niveles de gris. Lo que sobrevive es la estructura gruesa de la foto: dónde hay claro, dónde hay oscuro, más o menos dónde están las formas. El detalle fino desaparece, y con él todo lo que un redimensionado o una recompresión habrían alterado.

Después se comparan dos de esas rejillas. Bien hecho, una foto se reconoce a sí misma a través de un cambio de tamaño, una bajada de calidad o un cambio de formato, porque ninguna de esas cosas mueve de forma apreciable la estructura gruesa.

Por qué el porcentaje es una medida y no una opinión

Cuando una herramienta te muestra «97%», ese número no es una estimación de cuánto se parecen a ojos de una persona. Es el resultado de un cálculo concreto: cada imagen se reduce a una rejilla de 32×32 valores de gris, y las dos rejillas se comparan punto por punto, normalizadas por su propio contraste.

Esa normalización es lo que lo hace robusto. Como la comparación se mide en relación con el rango de claros y oscuros de cada imagen, una foto uniformemente más brillante sigue puntuando altísimo: el patrón no ha cambiado aunque todos los valores se hayan desplazado. Y se desploma rápido cuando el contenido es distinto de verdad, porque entonces el patrón sí es otro.

Los números se leen así: 100% con «mismo archivo» significa idénticos byte a byte, sin juicio de por medio. 99% es la misma foto tras un redimensionado o una recompresión. Por debajo del 94% entras en el terreno donde dos fotos distintas de la misma escena pueden puntuar tan alto como dos versiones de una misma foto.

Dónde falla la comparación visual, y por qué

El informe de Ofcom expone la limitación con una claridad poco habitual: el hash perceptual «evalúa la similitud de las imágenes, no la del contenido representado en ellas». Dos fotos visualmente parecidas de objetos distintos pueden coincidir; dos fotos del mismo objeto desde ángulos distintos pueden no hacerlo. El documento añade que estas funciones son «imperfectas», con tasas de falsos positivos y falsos negativos que no son despreciables.

La versión cotidiana de ese fallo es una carpeta de capturas de pantalla. Reduce una captura a una rejilla gris diminuta y lo que queda es: fondo claro, una franja más oscura arriba, una textura fina tipo texto en el medio. Todas las capturas se reducen a casi el mismo patrón, porque lo que las distingue —las palabras concretas— es justamente el detalle fino que el encogido destruye.

La defensa es no dejar nunca que el hash perceptual decida. Bien usado es un paso de preselección: propone parejas candidatas rápido, y cada pareja que propone se verifica después con la comparación real, la cara. Dos guardas más ayudan: las imágenes con proporciones distintas no deberían agruparse, porque un recorte no es un duplicado; y las imágenes con poco detalle —un fondo liso, un documento casi blanco— solo deberían agruparse si son literalmente el mismo archivo.

Cuál se puede borrar tranquilo

Aquí es donde la distinción deja de ser académica.

Los duplicados exactos no tienen riesgo. Si dos archivos tienen la misma huella, quedarte con uno no pierde absolutamente nada: ni un píxel, ni un campo de metadatos, ni un byte. No existe una versión «mejor», porque no hay diferencia. Esta es la parte gratis de la limpieza, y es además donde está el espacio.

Los visuales necesitan tus ojos. Los dos archivos son distintos de verdad, y las diferencias pueden importar:

• Resolución. Uno puede tener 4000 píxeles de ancho y el otro 800. Se ven iguales en miniatura y no lo son si algún día imprimes o recortas.
• Metadatos. A la versión que volvió de un chat normalmente le han quitado la fecha, la cámara y la ubicación. Si borras el original y te quedas con esa, esa información se fue para siempre.
• Cuál está editada. La pareja casi idéntica puede ser la toma cruda y la que enderezaste y corregiste de color.

La regla de trabajo es entonces: limpia los exactos sin pensar, y mira los visuales antes de decidir. Ordena por tamaño dentro del grupo —el más grande suele ser el menos degradado— y quédate con el que esté en la carpeta que de verdad cuidas.

Por qué los demás tipos de archivo solo tienen coincidencia exacta

Habrás notado que el video, el audio y los documentos solo se reportan como duplicados exactos. No es pereza, es un problema de coste.

El truco que funciona con fotos —encoger a una rejilla diminuta y comparar— tiene equivalente en video, pero implica descodificar y comparar fotogramas de cada pareja candidata. En archivos de gigabytes, eso son minutos de trabajo por comparación. En audio significa huella acústica, que es otra tecnología distinta. Y en documentos, «el mismo texto en otro PDF» es una pregunta semántica, no visual: dos PDF con el mismo contenido generados por programas distintos son archivos genuinamente diferentes, y tratarlos como duplicados sería adivinar.

La coincidencia exacta, en cambio, funciona perfectamente en todos ellos, porque los bytes son bytes. Y en los tipos de archivo que de verdad te llenan el disco, las copias exactas son donde está el espacio.

En resumen

Un duplicado exacto es un hecho sobre el archivo: bytes idénticos, demostrado con una huella, seguro de limpiar sin mirar. Un duplicado visual es una medida sobre la imagen: la misma foto en otro archivo, útil de conocer y nunca algo que borrar a ciegas.

Un buscador que mezcle las dos cosas es un buscador al que no deberías confiarle tus fotos. Uno que las mantenga separadas te está diciendo qué decisiones ha tomado por ti y cuáles siguen siendo tuyas.

Puedes ver los dos tipos etiquetados por separado en tu propia carpeta ahora mismo: analiza una carpeta desde este navegador, sin instalar nada y sin que tus archivos salgan de tu equipo. El resto de la serie: cómo encontrar archivos duplicados sin instalar nada y por qué tienes tres copias del mismo video.

Fuentes

• Ofcom — Overview of Perceptual Hashing Technology (2022): el contraste con el hash criptográfico, la limitación de «la similitud de las imágenes, no la del contenido representado» y sus tasas de error no despreciables.
• NIST — FIPS 180-4, Secure Hash Standard: la especificación que define SHA-256.