Actualizado el: 30 de octubre de 2026
Un algoritmo de renderizado es el método que usa un programa para convertir una escena, o un conjunto de fotos, en una imagen. Los algoritmos clásicos, como la rasterización, el ray tracing y el path tracing, calculan la imagen a partir de la geometría, los materiales y las luces. Los métodos neuronales, como NeRF y el 3D Gaussian Splatting, aprenden una escena a partir de fotografías. Los modelos generativos, como los modelos de difusión, sintetizan una imagen nueva a partir de lo que aprendieron de grandes colecciones de imágenes. Muchos motores de render de 2026 los combinan: un path tracer calcula la luz y una red entrenada elimina el ruido.
Esta guía es un mapa de las tres familias: cómo funciona cada una, cuánto cuesta en tiempo y en hardware y dónde la encuentra un arquitecto, desde el denoiser de un motor de render hasta un Gaussian splat de un terreno. Cada parte es breve y enlaza una guía más detallada.
Algoritmos de renderizado clásicos
Los algoritmos clásicos simulan, o aproximan, lo que hace la luz en una escena 3D. Necesitan un modelo con geometría, materiales y luces, y la misma escena con los mismos ajustes da la misma imagen.
Rasterización
La rasterización proyecta cada triángulo de un modelo sobre la pantalla, calcula qué píxeles cubre y los sombrea. Una tarjeta gráfica lo hace a enorme velocidad, y por eso los motores de videojuegos y las herramientas de renderizado en tiempo real se basan en ella. Solo aproxima los efectos que dependen de los rebotes de la luz en la escena, como las sombras suaves, los reflejos y la luz indirecta, así que los motores en tiempo real añaden técnicas especiales o algo de ray tracing para resolverlos.
Ray tracing y path tracing
El ray tracing (trazado de rayos) sigue rayos desde la cámara hacia la escena y, desde cada superficie que toca, hacia las luces y hacia las superficies reflectantes o transparentes. Así obtiene reflejos nítidos, refracciones y sombras precisas. El path tracing amplía la idea: para cada píxel sigue muchos caminos de luz aleatorios mientras rebotan de superficie en superficie y los promedia, una solución de Monte Carlo de la ecuación de renderizado. Es el método de motores de producción como Cycles de Blender. Su punto débil es el ruido: con pocas muestras por píxel la imagen sale granulada, y una imagen limpia necesita muchas muestras. Justo ahí es donde ayuda hoy el aprendizaje automático.
Photon mapping y radiosidad
El photon mapping (mapeo de fotones) trabaja en dos pasadas. Primero lanza fotones desde las luces y guarda dónde caen, y después usa ese mapa mientras renderiza desde la cámara, lo que lo hace muy bueno con las cáusticas, los patrones brillantes que forma la luz al atravesar vidrio o agua. La radiosidad, un método más antiguo, calcula cómo se intercambia la luz difusa entre partes de las superficies. Su resultado no depende de la cámara, así que se calcula una vez y se puede ver desde cualquier punto. Todos son formas de calcular la iluminación global: la luz indirecta que hace que un interior se vea iluminado y no alumbrado por un foco.
Algoritmo | Cómo calcula la imagen | Velocidad | Uso típico |
|---|---|---|---|
Rasterización | Proyecta triángulos sobre la pantalla y sombrea los píxeles | Tiempo real | Videojuegos, motores en tiempo real, vistas de modelado |
Ray tracing | Sigue rayos desde la cámara hasta las superficies y las luces | De interactivo a lento, según los efectos y el hardware | Reflejos, refracciones, sombras |
Path tracing | Promedia muchos caminos de luz aleatorios por píxel | Lento; con ruido hasta tener suficientes muestras | Imágenes fijas y animaciones de producción |
Photon mapping | Guarda fotones lanzados desde las luces y luego los recoge | Lento; dos pasadas | Cáusticas, vidrio, agua |
Radiosidad | Intercambia luz difusa entre partes de las superficies | Lento de precalcular, rápido de ver después | Interiores con luz difusa, iluminación precalculada |
Dónde el aprendizaje automático acelera hoy el renderizado
Dentro de los motores de render actuales, el aprendizaje automático casi nunca sustituye la simulación de la luz. Limpia, completa o amplía lo que produjo el algoritmo clásico, para que haya que calcular menos muestras, píxeles o fotogramas.
Denoisers con IA: OptiX y Open Image Denoise
Un denoiser (eliminador de ruido) toma una imagen con ruido calculada por path tracing y predice cómo sería la imagen limpia. Dos de los más habituales, ambos redes neuronales:
NVIDIA OptiX AI-Accelerated Denoiser: se basa en un artículo de NVIDIA Research sobre un autocodificador recurrente para eliminar ruido y, según NVIDIA, se entrenó con decenas de miles de imágenes renderizadas a partir de mil escenas 3D. Funciona en GPU de NVIDIA.
Intel Open Image Denoise (OIDN): filtros de eliminación de ruido basados en aprendizaje profundo, de código abierto con licencia Apache 2.0 y reconocidos con un Technical Achievement Award de la Academia de Artes y Ciencias Cinematográficas. A octubre de 2026 funciona en CPU y en GPU de Intel, NVIDIA, AMD y Apple (openimagedenoise.org).
Cycles de Blender ofrece los dos: su manual menciona OpenImageDenoise, "un denoiser con IA", y el denoiser con IA OptiX de NVIDIA, y señala que cuantas más pasadas de render pueda usar el denoiser como entrada, mejor es el resultado. La misma página describe el path guiding, que aprende las direcciones importantes de la luz mientras Cycles renderiza y ayuda, por ejemplo, cuando una habitación recibe la luz por una puerta pequeña.
Escalado y generación de fotogramas: DLSS
NVIDIA describe DLSS como un conjunto de tecnologías de renderizado neuronal que usa IA para subir los fotogramas por segundo, reducir la latencia y mejorar la calidad de imagen. A octubre de 2026, DLSS 4.5 trae Dynamic Multi Frame Generation y un modelo transformer de segunda generación para Super Resolution y Ray Reconstruction, y DLSS 5 añade lo que NVIDIA llama 3D-Guided Neural Rendering para la iluminación y los materiales. Funciona en tarjetas gráficas GeForce RTX, en los juegos y motores que lo admiten. El principio: calcular menos píxeles o fotogramas con el algoritmo clásico y dejar que una red entrenada complete el resto.
Para una imagen fija terminada, el equivalente es el escalado con IA, que amplía una imagen e inventa detalle verosímil en lugar de interpolar píxeles. En ArchiVinci, un render de cualquier programa 3D se puede mejorar primero en el módulo Editar con una instrucción escrita, y con un plan el resultado se puede escalar a 4096 px en el lado largo; la página para mejorar un render con IA muestra los pasos.
Caché de radiancia neuronal y compresión neuronal de texturas
Dos métodos de NVIDIA Research muestran el aprendizaje automático entrando en la propia simulación de la luz. Real-time Neural Radiance Caching for Path Tracing (2021) entrena una red pequeña mientras se renderiza la escena y la usa como caché de la luz de la escena, de modo que un path tracer puede seguir unos pocos rebotes y dejar que la caché cubra el resto. Random-Access Neural Compression of Material Textures (SIGGRAPH 2023) comprime juntas las texturas de un material y las descomprime en tiempo real con una red pequeña optimizada para cada material; los autores indican dos niveles de detalle más, 16 veces más téxeles, con tasas de bits bajas.
Qué ofrecen V-Ray, Twinmotion y Blender
Los nombres de los productos importan aquí, porque algunos artículos atribuyen a los motores de render funciones de IA que no tienen. A octubre de 2026:
V-Ray 7 (Chaos) enumera varias herramientas de IA en su página de novedades: AI Enhancer, que añade variación natural, como desgaste y suciedad, a superficies grandes como suelos, muros y terrenos; AI Material Generator, ahora con texturas 4K; AI Mood Match (en vista previa), que ajusta la iluminación de una escena a una foto de referencia; la reiluminación de Gaussian Splats; y, en V-Ray 7 Update 4, una integración con Veras para ideación, mejora e imagen a video con IA.
Twinmotion (Epic Games) es un motor en tiempo real basado en Unreal Engine, con un Path tracer para imágenes de mayor calidad. No encontramos en la documentación de Epic ninguna función de iluminación o path tracing asistida por IA.
Blender usa aprendizaje automático en Cycles para eliminar ruido (OpenImageDenoise y OptiX) y aprende las direcciones de la luz con el path guiding, como se explicó arriba.
Cómo se compara un generador de imágenes con un motor de render de producción en el trabajo diario es el tema de ArchiVinci vs V-Ray.
Representaciones neuronales de escenas
Las representaciones neuronales de escenas aprenden una escena 3D a partir de fotografías o video, en lugar de modelarla a mano. Una vez entrenadas, muestran la escena desde puntos de vista que la cámara nunca tomó, lo que los investigadores llaman síntesis de vistas nuevas. Son el núcleo del renderizado neuronal.
NeRF (campos de radiancia neuronal)
NeRF, presentado por Mildenhall, Srinivasan, Tancik, Barron, Ramamoorthi y Ng en ECCV 2020, guarda una escena dentro de una red neuronal totalmente conectada. La red recibe una coordenada 5D, una posición (x, y, z) y una dirección de observación, y devuelve la densidad volumétrica y el color dependiente de la vista en ese punto. Para renderizar un píxel, NeRF toma unos pocos cientos de puntos a lo largo del rayo de la cámara, consulta la red en cada uno y combina las respuestas con renderizado volumétrico. Reproduce bien los reflejos y la luz suave, pero el método original renderiza despacio porque la red se ejecuta para cada muestra, y se entrena con un conjunto de fotos de la escena tomadas desde posiciones de cámara conocidas.
3D Gaussian Splatting (3DGS)
El 3D Gaussian Splatting (Kerbl, Kopanas, Leimkühler y Drettakis, SIGGRAPH 2023) también aprende una escena a partir de varias fotos o videos, pero la guarda de forma explícita, como un gran conjunto de gaussianas 3D: elipsoides pequeños y difusos, cada uno con una posición, una escala y una orientación (su covarianza anisotrópica), una opacidad y un color que depende de la vista. El entrenamiento parte de los puntos dispersos que se obtienen al calibrar la cámara y añade, quita y ajusta gaussianas hasta que los renders coinciden con las fotos. Para mostrar la escena, los autores crearon su propio renderizador rápido, consciente de la visibilidad, que proyecta las gaussianas sobre la pantalla. No se ejecuta ninguna red por píxel, y el artículo indica una visualización en tiempo real a 100 fotogramas por segundo o más en 1080p.
Para un arquitecto, los splats son una forma de capturar lo que ya existe: un terreno, una calle, un edificio patrimonial o un interior terminado para un anuncio inmobiliario. V-Ray 7 puede reiluminar Gaussian Splats para que un elemento capturado coincida con la iluminación de una escena renderizada.
La diferencia clave con NeRF está en cómo guarda la escena: NeRF la oculta dentro de una red neuronal y la ejecuta para cada muestra de cada rayo, mientras que el 3D Gaussian Splatting guarda gaussianas explícitas y las proyecta sobre la pantalla, y por eso se muestra en tiempo real y es más fácil de editar. Ninguno de los dos diseña nada: ambos reproducen un lugar que se fotografió. La comparación completa de NeRF frente a Gaussian splatting, con una tabla, está en nuestra guía de NeRF.
Funciones de distancia con signo y redes de ocupación
Dos métodos relacionados describen la forma y no la apariencia. Una función de distancia con signo (SDF) devuelve, para cualquier punto, su distancia a la superficie más cercana, negativa dentro del objeto y positiva fuera; DeepSDF (Park et al., 2019) aprende esa función con una red. Una red de ocupación (Mescheder et al., 2018) devuelve la probabilidad de que un punto esté dentro del objeto. Ambas definen la superficie de forma continua, y un algoritmo como marching cubes la convierte en una malla. Sirven más para reconstruir formas a partir de escaneos y para modelar que para imágenes fotorrealistas.
Modelos generativos: otro camino hacia la imagen final
Los modelos generativos no simulan la luz en una escena. Aprenden de enormes colecciones de imágenes cómo son las imágenes y sintetizan una nueva, guiados por un texto, un boceto o una vista subida. En sentido estricto es síntesis de imágenes y no renderizado, pero para los arquitectos se ha convertido en una segunda forma de pasar de un diseño a una imagen con aspecto terminado; la guía CGI vs IA compara los dos caminos.
Modelos de difusión
Los modelos de difusión parten de ruido aleatorio y lo eliminan paso a paso hasta que aparece una imagen, guiados por el prompt u otra entrada. La difusión latente (Rombach et al., diciembre de 2021) lo hizo práctico al trabajar en un espacio latente comprimido en lugar de sobre los píxeles, con una U-Net encargada de eliminar el ruido; es la base de Stable Diffusion. Los modelos más recientes pasaron a los transformers: los Diffusion Transformers (DiT, Peebles y Xie, diciembre de 2022) y Stable Diffusion 3, basado en transformers de flujo rectificado (Esser et al., marzo de 2024).
GAN
Las GAN, redes generativas antagónicas (Goodfellow et al., 2014), entrenan dos redes una contra otra: un generador que crea imágenes y un discriminador que intenta distinguirlas de las reales. StyleGAN (Karras, Laine y Aila, NVIDIA, diciembre de 2018) fijó un nuevo estándar de generación de imágenes controlable y de alta calidad. Desde entonces, los modelos de difusión y los transformers se han quedado con la mayor parte de la generación de imágenes.
Modelos de video
Las mismas ideas se extienden a las imágenes en movimiento. A octubre de 2026, Stable Video Diffusion de Stability AI (noviembre de 2023) genera 14 o 25 fotogramas a velocidades de entre 3 y 30 por segundo, el modelo actual de Runway es Gen-4.5 y Pika ofrece Pika 2.5. En ArchiVinci, el módulo Video anima un render fijo y usa monedas, que vienen con todos los planes; la página para convertir un render en video con IA muestra ejemplos.
Dónde encaja ArchiVinci
ArchiVinci no traza la luz a través de una escena 3D. Su motor predeterminado, ArchiVinci 4.0, toma como referencia la imagen que subes (una vista de un modelo 3D, un boceto o una foto) y genera una imagen nueva que la sigue, en segundos. El módulo Imagine trabaja solo a partir de una descripción escrita (en inglés). ArchiVinci 4.0 mantiene la perspectiva y la geometría de tu imagen, y cada generación crea una variante nueva, así que genera otra para tener más opciones o ajusta un detalle en el módulo Editar; usar los resultados para clientes o marketing requiere un plan activo. La página de renders con IA muestra más ejemplos.

Hecho en el módulo Exterior de ArchiVinci con el motor predeterminado (ArchiVinci 4.0). Izquierda: la imagen subida, una imagen generada de una casa sin materiales. Derecha: el resultado del prompt "Modern house with white plaster walls, timber cladding on the upper floor, large glass openings, a lawn and a few trees." con el botón Luz diurna.
Mira un render con IA de tu propio proyecto Sin motor de render que configurar: sube una vista de tu proyecto, escribe lo que quieres ver y obtén un render fotorrealista que sigue tu imagen. Una cuenta nueva empieza con 3 créditos gratis. |
Qué algoritmo de renderizado elegir para cada tarea de arquitectura
Tarea | Familia de algoritmos | Dónde lo encuentras |
|---|---|---|
Recorrer en vivo un modelo con el cliente | Rasterización, con algo de ray tracing | Motores en tiempo real y motores de videojuegos |
Imágenes finales de marketing con luz precisa | Path tracing más un denoiser con IA | Motores de producción como V-Ray o Cycles de Blender con OIDN u OptiX |
Vidrio, agua y cáusticas | Photon mapping, o path tracing con soporte de cáusticas | Motores de producción |
Capturar en 3D un terreno, una calle o un interior existentes | 3D Gaussian Splatting, o NeRF | Splats hechos con fotos o video de dron |
Más fotogramas por segundo en un recorrido en tiempo real | Escalado neuronal y generación de fotogramas | DLSS en tarjetas gráficas GeForce RTX |
Una impresión más grande de una imagen terminada | Escalado con IA | Escaladores de imagen; para resultados de ArchiVinci, Upscale con un plan, hasta 4096 px en el lado largo |
Imágenes de concepto a partir de un boceto, una vista del modelo o una frase, en segundos | Modelos generativos de imagen | ArchiVinci y otros generadores de imágenes con IA |
Líneas de investigación
El renderizado diferenciable permite que el error entre una imagen renderizada y una imagen objetivo vuelva hacia atrás a través del motor, de modo que la geometría, los materiales o la iluminación se ajusten hasta que el render coincida. Así se entrenan NeRF y el 3D Gaussian Splatting, y la investigación también lo usa para recuperar materiales e iluminación a partir de fotografías.
El 3D generativo es la pregunta abierta: modelos que producen escenas 3D completas, y no imágenes sueltas, a partir de texto o imágenes. Hoy el reparto práctico sigue siendo el que describe esta guía: algoritmos clásicos para la luz basada en la física, representaciones neuronales para capturar lo que existe y modelos generativos para obtener rápido imágenes de lo que todavía no existe.
Pruébalo en ArchiVinci
Describe un edificio en una frase, o sube un boceto o una vista de tu modelo 3D: ArchiVinci genera imágenes de concepto que lo siguen. Una cuenta nueva empieza con 3 créditos gratis.
Para los primeros conceptos: Diseño conceptual con IA
Renderiza un boceto, una foto o una vista 3D: Render con IA
Preguntas frecuentes
¿Qué es un algoritmo de renderizado?
Es el método que usa un programa para convertir una escena 3D, o un conjunto de fotos, en una imagen. La rasterización, el ray tracing, el path tracing, el photon mapping y la radiosidad calculan la imagen a partir de la geometría y la luz; NeRF y el 3D Gaussian Splatting aprenden una escena a partir de fotos; los modelos de difusión generan una imagen nueva a partir de ejemplos aprendidos.
¿Qué diferencia hay entre rasterización y ray tracing?
La rasterización proyecta los triángulos del modelo sobre la pantalla y sombrea los píxeles que cubren, lo que es muy rápido pero solo aproxima los reflejos, las sombras y la luz indirecta. El ray tracing sigue rayos de luz a través de la escena, lo que es más lento pero resuelve esos efectos de forma física. Los motores en tiempo real suelen combinar los dos.
¿Los motores de render usan aprendizaje automático hoy?
Sí, sobre todo para eliminar ruido y completar píxeles. Cycles de Blender usa los denoisers con IA OpenImageDenoise y OptiX, DLSS genera píxeles y fotogramas en tarjetas GeForce RTX y, a octubre de 2026, V-Ray 7 añade herramientas como AI Enhancer y AI Material Generator. La luz en sí la siguen calculando algoritmos clásicos.
¿Un modelo de difusión es un algoritmo de renderizado?
No en el sentido clásico. Un modelo de difusión no simula la luz en una escena 3D; sintetiza una imagen a partir de lo que aprendió, guiado por un texto, un boceto o una vista subida. Para los arquitectos es otro camino hacia una imagen con aspecto terminado, rápido pero sin una simulación física de la luz.
¿El aprendizaje automático reemplazará al ray tracing?
No a corto plazo. Las redes actuales abaratan el ray tracing y el path tracing: eliminan ruido, escalan y guardan la luz en caché. Los modelos generativos sustituyen al motor de render solo cuando una imagen convincente importa más que una calculada físicamente, como en los primeros conceptos de diseño.
