SweepLED de KAIST detecta cámaras ocultas con 94% de acierto

SweepLED: un array de LEDs en la funda del móvil detecta cámaras ocultas con un 94% de acierto

SweepLED es un prototipo de accesorio para smartphone que detecta cámaras ocultas iluminando el objeto sospechoso desde múltiples ángulos con un array de 15 LEDs y analizando el patrón cambiante del reflejo con un modelo de IA. Lo desarrolló un equipo de la KAIST (Korea Advanced Institute of Science and Technology) junto a la Universidad Nacional de Singapur (NUS) y la Singapore Management University (SMU), y se presentó el 20 de junio de 2026 en la conferencia ACM MobiSys 2026, una de las citas más importantes en sistemas móviles, según recogió New Atlas.

El dispositivo cuesta unos US$7 en componentes (alrededor de 9.640 KRW, según la agencia Dong-A Science), se integra en una funda y analiza un objeto en menos de 5 segundos. En pruebas sobre 30 objetos cotidianos alcanzó una tasa de acierto del 94%, según el comunicado oficial de KAIST replicado por Mirage News.

El problema de fondo: por qué los detectores de cámaras actuales no funcionan

La idea de detectar una cámara oculta no es nueva: se ilumina el objeto sospechoso y se busca el reflejo brillante que devuelve la lente. El problema es que cualquier habitación está llena de superficies reflectantes —espejos, bombillas, vasos, marcos metálicos, plástico satinado— que producen exactamente el mismo efecto. Los detectores portátiles basados en buscar "un punto brillante" se llenan de falsos positivos hasta volverse inútiles en la práctica.

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

Según explica Dong-A Science, los detectores comerciales existentes suelen funcionar iluminando el objeto desde una sola dirección y pidiendo al usuario que identifique visualmente el reflejo. Eso multiplica los falsos positivos en entornos reales y obliga a quien viaja a tener ojo entrenado, algo que la mayoría de la gente no tiene.

SweepLED ataca el problema desde otro lugar: en vez de fijarse en si hay un brillo, analiza cómo cambia ese brillo cuando el ángulo de la luz varía. Los LEDs del accesorio barren el objeto desde múltiples ángulos mientras la cámara del móvil graba el vídeo. La hipótesis, validada por el modelo de IA del equipo, es que las lentes de cámara tienen una estructura óptica característica —apertura y sensor— que produce un patrón de deformación del reflejo que los objetos reflectantes comunes no reproducen.

¿Qué cambia frente a las apps de detección que ya existen en iOS y Android?

Hay decenas de aplicaciones que prometen detectar cámaras con la cámara del propio móvil en modo escáner. Comparten la limitación del método tradicional: capturan una instantánea y aplican un umbral de brillo sobre ella, sin información angular. SweepLED introduce dos novedades combinadas:

Iluminación activa y controlada. El array de LEDs del accesorio es la fuente de luz, no el sol o la lámpara de la habitación. Eso le da al algoritmo datos sobre cómo varía el reflejo según el ángulo, no un único fotograma.
Análisis temporal con deep learning. En lugar de clasificar una imagen, el modelo procesa el vídeo y rastrea la evolución del reflejo a lo largo del tiempo. Entrenado con esa dinámica, es capaz de separar el patrón de una lente del patrón de un espejo o una pieza metálica.

El paper, titulado "Hide-and-Sweep: Detecting Concealed Cameras via LED Illumination Sweeps" (DOI 10.1145/3812835.3814866), tiene como primer autor a Jonghyuk Yun, estudiante de doctorado de KAIST, y lo completan Jaeyoung Moon, Yunseo Park, Sean Rui Xiang Tan, Byunghyun Kim, Rajesh Krishna Balan y el profesor Jun Han, líder del grupo y autor correspondiente, según la nota oficial de KAIST.

Por qué importa en el debate actual sobre privacidad física

La proliferación de cámaras ocultas en alojamientos de corta estancia, baños públicos y espacios temporales dejó de ser un caso aislado hace años. Airbnb anunció hace tiempo una prohibición global de cámaras interiores, pero como recuerda el artículo original, la prohibición no elimina el problema: solo lo desplaza fuera del radar de la plataforma. Mientras no exista una herramienta de verificación barata y usable, los viajeros, periodistas en desplazamiento y personas en situaciones de vulnerabilidad no tienen forma práctica de auditar un espacio antes de usarlo.

El paper fue apoyado por el STEAM Global Convergence Research Support Program y por el Mid-Career Researcher Program del Ministerio de Ciencia y TIC y de la National Research Foundation de Corea, según Mirage News, lo que da una idea del interés institucional en empujar este tipo de tecnologías de privacidad usable.

¿Qué significa esto para tu startup?

SweepLED no es todavía un producto: es un prototipo de investigación con paper revisado por pares, sin socio industrial anunciado y sin precio de venta público. Pero la arquitectura que describe —hardware de muy bajo costo más un modelo de IA entrenado para una tarea de percepción muy concreta— es exactamente el tipo de patrón que varios founders del ecosistema hispanohablante pueden explorar. Tres lecturas prácticas:

Si trabajas en accesorios para móvil o en hardware de consumo de bajo costo, la barrera de entrada técnica es baja. Los componentes cuestan US$7 y el modelo se entrena con vídeo recogido por el propio usuario. Hay margen para industrializar el concepto, llevarlo a un precio de venta de US$30-US$50 y distribuirlo en retailers de electrónica de consumo junto a fundas y cargadores.
Si tu startup hace computer vision o IA embebida, el paper muestra una arquitectura replicable: un sensor barato (el móvil que ya tiene el usuario), una fuente de luz controlada y un modelo que razona sobre la dinámica temporal en lugar de sobre frames estáticos. El truco —mover la carga semántica al "cómo cambia" en vez de al "qué hay"— se puede portar a otros problemas de detección de objetos pequeños en el mundo físico.
Si tu producto es una app de seguridad o privacidad para viajeros, anfitriones de corta estancia o periodistas, conviene seguir de cerca la publicación. Una vez que el equipo de KAIST libere una implementación de referencia, tu equipo podrá prototipar una capa de detección sin reinventar el hardware, apoyándose en fundas compatibles o accesorios OEM.

Jun Han, profesor de la School of Computing de KAIST, resumió el objetivo así, según recoge Mirage News: "Las cámaras ocultas son una amenaza seria para la seguridad personal y la privacidad en los espacios cotidianos. Al combinar hardware de bajo costo basado en smartphone con análisis de IA, hemos demostrado la posibilidad de una tecnología de detección práctica que incluso personas sin experiencia pueden usar fácilmente". Esa última frase —"personas sin experiencia"— define la verdadera vara del producto: si la siguiente iteración baja la fricción hasta el punto de que un usuario la use sin instrucciones, deja de ser una curiosidad académica y se convierte en una categoría.