Actualizado el: 30 de octubre de 2026
El photon mapping (mapeo de fotones) es un algoritmo de iluminación global en dos pasadas que Henrik Wann Jensen desarrolló entre 1995 y 2001. En la primera pasada, el motor lanza fotones desde las luces hacia la escena y guarda en un mapa de fotones el lugar donde caen; en la segunda, traza rayos desde la cámara y estima la luz de cada punto visible a partir de los fotones guardados cerca. Es conocido sobre todo por las cáusticas, los patrones nítidos de luz que el vidrio y el agua concentran sobre otras superficies.
La mayoría de los motores de producción actuales se basan en el path tracing, pero el photon mapping se sigue usando, sobre todo para las cáusticas. A continuación: cómo funcionan las dos pasadas, qué guarda el mapa de fotones, por qué el método es sesgado pero consistente, cómo se compara con el path tracing, el photon mapping progresivo, qué motores de render usan fotones hoy y qué calculan y qué no los generadores de imágenes con IA.
¿Qué es el photon mapping?
Jensen presentó el método en su artículo de 1996 "Global Illumination using Photon Maps" y lo describió por completo en su libro Realistic Image Synthesis Using Photon Mapping. Como todo método basado en la física, aproxima la ecuación de renderizado (siguiente sección). Su objetivo es la luz que el muestreo desde la cámara encuentra con lentitud: las cáusticas y la luz indirecta que rebota entre superficies, el núcleo de la iluminación global.
Pasada 1: trazado de fotones. Desde las fuentes de luz se emiten paquetes de energía luminosa llamados fotones, que se trazan a través de la escena. Cuando un fotón choca con una superficie difusa, el impacto se guarda en una estructura de datos espacial, normalmente un KD-tree. Ese almacén es el mapa de fotones.
Pasada 2: render. Se trazan rayos desde la cámara. En cada punto visible, el motor estima la luz que llega allí a partir de los fotones guardados cerca (estimación de densidad), en lugar de volver a trazar cada camino de luz durante el render.
Como la energía se traza desde la luz y no solo se busca con muestreo aleatorio desde la cámara, el método capta bien la luz concentrada. La luz del sol que se refracta en una fachada de vidrio, por ejemplo, puede dibujar patrones nítidos sobre un piso de piedra que un muestreo desde la cámara encuentra muy despacio. El precio es más memoria y un paso de cálculo previo antes de la imagen.
Final gathering (recolección final)
El mapa de fotones casi nunca se muestra directamente, porque una consulta directa da una luz indirecta con manchas. El método de Jensen divide la luz de un punto visible en cuatro partes: la luz directa, calculada con rayos de sombra hacia las luces; el reflejo especular, calculado con ray tracing; las cáusticas, leídas directamente de un mapa de fotones de cáusticas propio; y la luz indirecta suave, estimada con el mapa de fotones global. En la implementación de Jensen, esta última parte se calcula con un paso de final gathering: desde el punto de sombreado se lanzan muchos rayos a la escena y se consulta el mapa de fotones donde caen, lo que promedia la irregularidad de la densidad de fotones. En superficies difusas, la caché de irradiancia puede reutilizar después esos resultados entre puntos vecinos.
La ecuación de renderizado y el costo de simular la luz
Todas las técnicas de render basadas en la física aproximan la ecuación de renderizado, que David Immel y sus colegas y James Kajiya introdujeron de forma independiente en la computación gráfica en 1986. Describe la luz que sale de un punto de una superficie como la luz que la superficie emite más la luz entrante que refleja, integrada sobre el hemisferio que hay encima del punto.

Cada término representa una magnitud física con significado propio:
Lₒ es la radiancia saliente hacia el observador
Lₑ es la radiancia que emite la superficie
Lᵢ es la radiancia entrante desde otras direcciones
fᵣ es la función de distribución de reflectancia bidireccional (BRDF), que modela cómo responde el material a la luz
ωᵢ · n es el término coseno, que tiene en cuenta el ángulo entre la luz entrante y la normal de la superficie
La ecuación es recursiva: la luz que llega a un punto es la luz que sale de otros puntos, que siguen la misma regla. Por eso el render realista se convierte en un problema de integración de alta dimensión sin solución analítica cerrada. Los motores de render la aproximan con métodos estocásticos como el muestreo de Monte Carlo, la base del path tracing, o con técnicas basadas en densidad como la recolección de fotones.
El costo crece rápido porque:
Cada rebote de luz adicional multiplica el número de caminos de luz posibles, sobre todo con materiales brillantes o reflectantes.
Los materiales transparentes necesitan una refracción precisa, que hace los caminos más largos y complejos.
El render basado en la física debe respetar la conservación de la energía, así que cada respuesta del material (BRDF) se tiene que evaluar con precisión.
Las cáusticas son caminos de energía raros pero concentrados que el muestreo aleatorio encuentra muy despacio.
Cuanto más compleja es la escena, más crece, de forma exponencial, el número de caminos de luz posibles, y con él el tiempo de cálculo necesario para una luz limpia y realista.
Ruleta rusa en el trazado de fotones
Durante el trazado de fotones, cada impacto en una superficie puede reflejar, transmitir o absorber energía. Generar un fotón nuevo para cada evento posible haría crecer el número de fotones de forma exponencial; tras unos pocos rebotes ya no se podría calcular.
La ruleta rusa controla ese crecimiento como estrategia de terminación probabilística. En lugar de dividir un fotón en varias ramas, el algoritmo elige al azar un único resultado, reflejar, transmitir o absorber, con probabilidades dadas por la reflectancia y la transmisión del material. Como la probabilidad de supervivencia sigue al material, un fotón que sobrevive conserva más o menos la misma potencia, y la energía guardada es correcta en promedio (en valor esperado).
Así el mapa de fotones se llena de fotones de potencia parecida y se evita que se multipliquen los caminos profundos con muchos rebotes. La ruleta rusa añade varianza, pero el resultado sigue convergiendo a medida que crece el número de fotones, y el trazado de fotones sigue siendo manejable.
¿Qué se guarda en el mapa de fotones?
No se guarda cada impacto de un fotón. Los fotones se registran solo cuando chocan con superficies difusas o no especulares. En un espejo perfecto o en un vidrio ideal, un fotón guardado no aportaría información útil de densidad, así que esos eventos se resuelven con ray tracing determinista en la pasada de render.
Por cada fotón guardado, el mapa de fotones registra:
La posición en la superficie
La dirección de llegada del fotón
La potencia del fotón (su flujo)
Un fotón puede guardarse varias veces a lo largo de su camino si choca con varias superficies difusas. En conjunto, estos registros son los datos que usa la segunda pasada para estimar la radiancia por densidad: el mapa de fotones describe cómo se reparte la energía luminosa sobre las superficies difusas de la escena, no los reflejos especulares deterministas.
Estimadores sesgados e insesgados en la iluminación global
El photon mapping es un estimador sesgado: estima la radiancia a partir de la densidad de fotones dentro de un radio de búsqueda finito, así que el resultado depende del número de fotones y de los parámetros de recolección. Promediar muchos renders con photon mapping de la misma escena no converge a la solución exacta de la ecuación de renderizado.
Sin embargo, es consistente: con más fotones el render es más preciso, y cuando el número de fotones tiende a infinito, el resultado se acerca a la solución de la ecuación de renderizado.
El path tracing, en cambio, es un estimador de Monte Carlo insesgado: en promedio (en valor esperado) da la respuesta correcta y, con más muestras, converge a la solución verdadera. Con un número finito de muestras presenta varianza, que se ve como ruido en la imagen.
En la práctica:
Los métodos sesgados como el photon mapping suelen llegar antes a un resultado limpio en eventos de luz poco frecuentes, a cambio de un error de aproximación, normalmente desenfoque, que viene de la estimación de densidad.
Los métodos insesgados como el path tracing son correctos en promedio, pero con pocas muestras su error se ve como ruido.
Ambos usan reducción de varianza, como el muestreo por importancia, el muestreo estratificado y el muestreo por importancia múltiple, para converger más rápido.
Photon mapping y cáusticas
Las cáusticas son patrones de luz concentrada que se forman cuando la luz se refleja o se refracta en materiales especulares y cae sobre una superficie difusa: las manchas brillantes y nítidas que proyectan el vidrio, el agua y el metal pulido. Ejemplos típicos en arquitectura:
La luz del sol refractada por el agua de una piscina, que dibuja patrones en movimiento sobre el fondo
Fachadas y tabiques de vidrio que proyectan franjas curvas de luz dentro de una habitación
Candelabros de cristal y luminarias de vidrio que reparten destellos nítidos y concentrados
Estos efectos vienen de caminos de luz poco frecuentes pero visualmente dominantes. Para un path tracer, que empieza en la cámara, son difíciles de encontrar: un rayo tiene que rebotar en el piso y llegar por casualidad a la pequeña fuente de luz a través del vidrio. Los caminos especular, difuso y de nuevo especular, como una cáustica en el fondo de una piscina vista a través de la superficie del agua o en un espejo, son aún más difíciles, y con una luz puntual un muestreo desde la cámara no puede encontrarlos en absoluto.
El photon mapping resuelve el problema desde el otro lado. Traza la energía desde la fuente de luz, a través del vidrio o del agua, y guarda dónde cae; en la pasada de render, un mapa de fotones de cáusticas propio da el patrón nítido directamente mediante una estimación de radiancia local.
Las contrapartidas:
Más memoria para los fotones guardados
Un sesgo que depende del radio de recolección y del número de fotones
Más tiempo de cálculo previo antes del render final
Cáusticas borrosas o con manchas cuando la densidad de fotones es demasiado baja
Varios mapas de fotones: mapa global y mapa de cáusticas
Las implementaciones prácticas suelen crear más de un mapa de fotones, para que cada parte de la luz se estime con la densidad de fotones que necesita.
Un mapa de fotones global guarda los fotones que forman la interreflexión difusa en toda la escena, como el sangrado de color de una pared roja sobre un techo blanco. Un mapa de fotones de cáusticas aparte guarda solo los fotones que atravesaron una superficie especular o rebotaron en ella antes de llegar a una difusa. Las cáusticas necesitan una densidad de fotones mucho mayor para mantenerse nítidas, y este mapa es la única fuente de luz cáustica del render, así que recibe muchos más fotones.
Algunas extensiones añaden un mapa de fotones de volumen para medios participativos como el humo, la niebla o el vapor de agua. El método original de Jensen para la dispersión subsuperficial en materiales translúcidos como el mármol también usaba photon mapping; para materiales muy dispersivos, hoy los modelos BSSRDF son la opción más eficiente.
Separar los fotones en mapas especializados permite que la pasada de render estime cada componente de la luz de forma eficiente y con más control sobre la calidad.
¿Cuándo conviene usar photon mapping hoy?
El path tracing domina la mayoría de los flujos de producción, pero el photon mapping sigue teniendo ventaja cuando la luz depende de interacciones poco frecuentes y de mucha energía, sobre todo cáusticas nítidas. Como traza primero la energía desde las luces, llega a caminos de baja probabilidad que el muestreo desde la cámara resuelve muy despacio.
Es más útil cuando la escena incluye:
Cáusticas fuertes de vidrio, agua o cristal
Luz indirecta compleja con muchos rebotes en espacios cerrados
Transiciones de especular a difuso marcadas, en las que un pequeño grupo de caminos transporta gran parte de la energía
Iluminaciones en las que encontrar los caminos de luz es más difícil que reducir el ruido
En estos casos, el photon mapping puede dar cáusticas estables con menos muestras de cámara que el path tracing simple, siempre que la memoria adicional y el cálculo previo sean aceptables. En renders grandes por GPU con denoising, el path tracing suele seguir siendo más escalable y fácil de integrar, y por eso la mayoría de los motores usa fotones solo como complemento para las cáusticas, si es que los usa.
Por eso hoy el photon mapping es sobre todo una herramienta para cáusticas, investigación y docencia, y una pieza de métodos híbridos que lo combinan con el path tracing, más que el método por defecto para la visualización arquitectónica.
¿Qué motores de render usan photon mapping hoy?
En octubre de 2026, los principales motores de render son path tracers, y los fotones aparecen sobre todo cuando se trata de cáusticas. Esto es lo que dicen las páginas de los propios motores:
Motor | Método de cáusticas | ¿Usa fotones? |
|---|---|---|
V-Ray (Chaos) | Cáusticas basadas en fotones; quick caustics, añadidas en V-Ray 7 update 3 para piscinas y fuentes de agua | Sí en la configuración con fotones; las quick caustics evitan "the cost of full photon tracing" (Chaos) |
Corona Renderer (Chaos) | Fast Caustics Solver: cáusticas reflejadas en todos los materiales y cáusticas refractadas activadas por material | Sí: una combinación de path tracing y photon mapping, un subconjunto de vertex connection and merging |
OctaneRender (OTOY) | Kernel Photon Tracing | Sí: photon mapping en GPU combinado con path guiding |
pbrt-v4 | Integrador SPPM | Sí: photon mapping progresivo estocástico |
Blender Cycles | Shadow caustics, basadas en MNEE | Sin mapa de fotones; solo cáusticas refractadas en las sombras de los objetos |
Mitsuba 3 | Integradores basados en caminos | No hay integrador de photon mapping en su lista |
Fuentes, consultadas en octubre de 2026: la página de novedades de V-Ray 7 para 3ds Max de Chaos, el artículo sobre el solver de cáusticas de Corona de Martin Šik y Jaroslav Křivánek (EGSR 2019), la documentación del kernel Photon Tracing de OTOY, el formato de archivo de pbrt-v4, el manual de Blender sobre las cáusticas de objetos y la lista de integradores de Mitsuba 3. Cómo se comparan los dos motores de Chaos más allá de las cáusticas lo explica nuestra guía Corona vs V-Ray.
Photon mapping vs. path tracing y otros métodos de transporte de luz
El path tracing sigue dominando porque escala bien y funciona de forma eficiente en GPU. Varias técnicas lo amplían o lo combinan con el photon mapping:
El path tracing bidireccional (trazado de caminos bidireccional) construye caminos de luz desde la cámara y desde las fuentes de luz, lo que aumenta la probabilidad de captar caminos raros de mucha energía, como las cáusticas.
El transporte de luz Metropolis usa muestreo con cadenas de Markov para explorar los caminos de luz importantes y concentra el esfuerzo donde la imagen recibe la mayor parte de su luz.
El vertex connection and merging (VCM), publicado en 2012 junto con el equivalente unified path sampling (UPS) de Toshiya Hachisuka, Jacopo Pantaleoni y Henrik Wann Jensen, combina el path tracing bidireccional y el photon mapping en un solo estimador, de modo que cada camino se resuelve con el método que mejor le va. El solver de cáusticas de Corona se basa en un subconjunto de este método.
El muestreo por importancia y otras técnicas de reducción de varianza dirigen las muestras hacia las direcciones que transportan más energía y reducen el ruido sin necesitar proporcionalmente más muestras.
El renderizado espectral es otro tipo de avance: cambia lo que se simula, la luz por longitud de onda en lugar de tres canales RGB, para que aparezcan efectos como la dispersión, y no la rapidez con la que converge una imagen. El photon mapping se puede ampliar a él; consulta nuestra guía de renderizado espectral.
Una comparación simplificada:
Característica | Photon mapping | Path tracing |
|---|---|---|
Cáusticas | Eficiente con caminos concentrados como la refracción y los reflejos enfocados | Lento con pocas muestras; necesita muchas para resolver caminos de luz raros |
Tipo de estimador | Sesgado pero consistente: estimación de densidad sobre fotones guardados | Estimador de Monte Carlo insesgado: correcto en promedio, converge con más muestras |
Error típico | Desenfoque o manchas cuando hay pocos fotones | Ruido (varianza) con pocas muestras |
Uso de memoria | Alto: los fotones se guardan | Menor: se basa en el muestreo y no en el almacenamiento |
Convergencia | Más rápida en eventos de energía poco frecuentes | Más lenta en caminos raros, pero sin error sistemático |
Escalabilidad en GPU | Moderada; la gestión de memoria es más compleja | Alta; muy adecuado para el render por GPU con denoising |
Photon mapping progresivo (PPM) y variantes modernas
El photon mapping estándar usa un número fijo de fotones y un radio de recolección fijo, así que su sesgo depende de esos parámetros. El photon mapping progresivo (PPM), publicado por Toshiya Hachisuka, Shinji Ogaki y Henrik Wann Jensen en SIGGRAPH Asia 2008, elimina ese límite con un refinamiento iterativo.
En lugar de un único mapa de fotones grande, el PPM empieza con una pasada de ray tracing y luego añade pasadas de fotones una tras otra. Después de cada pasada, el radio de recolección se reduce mientras crece el número de fotones, de modo que el sesgo baja y la estimación converge al resultado correcto a medida que se suman pasadas, sin tener que guardar todos los fotones en memoria a la vez.
Trabajos posteriores ampliaron la idea:
Photon mapping progresivo estocástico (SPPM), Hachisuka y Jensen, SIGGRAPH Asia 2009: el estimador progresivo para efectos de distribución como la profundidad de campo, el desenfoque de movimiento y los reflejos brillantes
Photon mapping progresivo en paralelo en GPU, Hachisuka y Jensen, SIGGRAPH Asia 2010 Technical Sketches
Unified path sampling (UPS), 2012, que une la estimación de densidad de fotones y el path tracing bidireccional y se implementa igual que el VCM
Métodos híbridos que combinan fotones con path tracing, como hacen los solvers de cáusticas actuales
Los artículos están en la página de publicaciones de Toshiya Hachisuka, y el integrador SPPM de pbrt-v4 es una implementación abierta que se puede estudiar.
Photon mapping, PBR y conservación de la energía
El render basado en la física se apoya en la conservación de la energía: una superficie no puede reflejar más luz de la que recibe. Usa modelos BRDF físicamente plausibles, a menudo basados en la teoría de microfacetas, para describir cómo responden los materiales a la luz desde distintos ángulos.
El photon mapping y el path tracing funcionan los dos dentro de este marco. Calculan de forma distinta, pero aproximan el mismo transporte de luz con los mismos modelos de material, así que un material bien configurado se comporta de forma coherente en ambos. No son filosofías distintas, sino dos maneras de resolver la misma ecuación física.
Photon mapping y generadores de imágenes con IA
Los generadores de imágenes con IA funcionan de una manera completamente distinta. Un modelo de difusión no traza fotones, no guarda un mapa de fotones ni resuelve la ecuación de renderizado: genera una imagen nueva paso a paso a partir de ruido, guiado por un prompt y, en las herramientas de arquitectura, por una imagen que subes. Lo que sabe de la luz, cómo entra el sol por una ventana o cómo brilla el vidrio, lo aprendió de las imágenes con las que se entrenó. Nuestra guía de modelos de difusión explica el proceso.
Esto tiene dos consecuencias. Un generador puede dibujar rápido una luz, unos reflejos e incluso unos patrones parecidos a cáusticas convincentes, sin guardar fotones, sin muchísimas muestras de Monte Carlo y sin evaluar la luz de forma recursiva. Pero nada en la imagen está calculado: una cáustica en una imagen con IA es un dibujo plausible, no una simulación, así que puede no respetar la física de la luz ni la conservación de la energía.
Los datos simulados físicamente sí tienen un papel en otras partes de la IA: los denoisers neuronales y la investigación en render neuronal aprenden de imágenes hechas con path tracing, y los modelos de iluminación con IA que predicen valores de luz son un campo propio. Para la diferencia práctica entre las imágenes generadas por computadora y las de IA, consulta en qué se diferencian las imágenes CGI y las de IA.
Por eso una herramienta de IA es útil antes de la física, no en su lugar. En ArchiVinci subes una captura de la vista de tu modelo, un boceto o una foto (JPG, PNG o WebP, de hasta 5 MB) y eliges un botón de iluminación como Luz diurna, Hora dorada o Crepúsculo en el módulo Exterior o Interior: el render con IA genera en segundos una imagen nueva que sigue tu archivo, y así puedes comparar ambientes de luz antes de configurar las cáusticas en un motor basado en la física. El motor predeterminado, ArchiVinci 4.0, mantiene la perspectiva y la geometría de tu vista, así que cada ambiente de luz muestra tu propio diseño.
Crepúsculo da un anochecer con las luces encendidas; para una versión nocturna o cualquier otra luz, puedes cambiar la luz de un render en el módulo Editar describiéndola en una frase. La luz de estas imágenes está dibujada, no simulada: para cáusticas precisas y comprobaciones de iluminación, la herramienta sigue siendo el motor basado en la física.
Prueba la luz antes del render largo Sube una vista de tu modelo, un boceto o una foto y elige un botón de iluminación como Hora dorada o Crepúsculo: ArchiVinci genera en segundos una imagen nueva que sigue tu archivo. Una cuenta nueva empieza con 3 créditos gratis. |
Por qué el photon mapping importa en la visualización arquitectónica
La arquitectura está llena de materiales propensos a las cáusticas: fachadas y tabiques de vidrio, lucernarios, piscinas y fuentes de agua, barandas de vidrio, luminarias de cristal y piedra pulida. En una imagen final, las cáusticas suelen ser el detalle que hace que esos espacios se vean reales, y es justo donde más le cuesta a un path tracer simple. Por eso varios motores usados en visualización arquitectónica añaden un solver de cáusticas propio, la mayoría basados en fotones (ver la tabla de arriba), en lugar de dejar las cáusticas al path tracing simple.
En la práctica: activa las cáusticas solo en los objetos o materiales que las necesitan (Corona, por ejemplo, activa las cáusticas refractadas por material), pruébalas en una pequeña región de render antes de la imagen completa y cuenta con tiempos de render más largos. Para el tema más amplio de la luz en las imágenes de arquitectura, consulta nuestra guía de render de iluminación.
Al principio de un proyecto importa más la velocidad que la precisión física, y una imagen rápida con IA suele bastar para elegir un ambiente de luz. Para la imagen final o una comprobación de la iluminación, la herramienta sigue siendo un motor basado en la física con path tracing, y con fotones donde importan las cáusticas.
Conclusiones clave
La iluminación realista es costosa porque obliga a aproximar la ecuación de renderizado, que es recursiva.
El photon mapping (Henrik Wann Jensen, 1995–2001) traza fotones desde las luces, los guarda en un mapa de fotones y los reutiliza en una segunda pasada desde la cámara.
Su punto fuerte son las cáusticas y la luz indirecta compleja, los caminos raros que el muestreo aleatorio desde la cámara encuentra despacio.
Es sesgado pero consistente: más fotones dan un resultado más preciso. El path tracing es insesgado, pero ruidoso con pocas muestras.
Los mapas de fotones global y de cáusticas, el final gathering y el photon mapping progresivo (PPM, SPPM) lo hacen más estable y preciso.
En octubre de 2026, los fotones sobreviven sobre todo en las cáusticas: el solver de cáusticas de Corona, el kernel Photon Tracing de Octane, las cáusticas con fotones de V-Ray y el SPPM de pbrt-v4.
Los generadores de imágenes con IA no calculan nada de esto: dibujan una luz aprendida de imágenes, útil para estudiar rápido ambientes de luz, pero no sustituyen a un motor basado en la física.
Pruébalo en ArchiVinci
Sube un boceto, una foto o una vista de tu modelo 3D y describe el resultado en una frase: ArchiVinci genera una imagen nueva que sigue tu archivo. Una cuenta nueva empieza con 3 créditos gratis.
Renderiza un boceto, una foto o una vista 3D: Render con IA
Desde una foto o una imagen: Renderizar una imagen con IA
Preguntas frecuentes
¿Quién inventó el photon mapping?
Henrik Wann Jensen desarrolló el photon mapping entre 1995 y 2001. Lo presentó en su artículo de 1996 "Global Illumination using Photon Maps", y su libro Realistic Image Synthesis Using Photon Mapping describe el método por completo. El photon mapping progresivo llegó en 2008, de la mano de Toshiya Hachisuka, Shinji Ogaki y el propio Jensen.
¿Se sigue usando el photon mapping?
Sí, sobre todo para las cáusticas. En octubre de 2026, el Fast Caustics Solver de Corona Renderer combina path tracing y photon mapping, OctaneRender tiene un kernel Photon Tracing, V-Ray ofrece cáusticas con fotones junto a sus nuevas quick caustics y pbrt-v4 incluye photon mapping progresivo estocástico. Como método principal para toda la luz de una escena, en gran medida ha dejado su lugar al path tracing.
¿Qué diferencia hay entre photon mapping y path tracing?
El path tracing empieza en la cámara y sigue caminos aleatorios por la escena; es insesgado y su error se ve como ruido. El photon mapping traza primero fotones desde las luces y los guarda, y luego estima la luz a partir de los fotones guardados; es sesgado pero consistente y su error se ve como desenfoque. El photon mapping encuentra las cáusticas con mucha más facilidad, mientras que el path tracing escala mejor en GPU.
¿Blender Cycles usa photon mapping?
No. Cycles es un path tracer. En octubre de 2026, su opción de shadow caustics, basada en manifold next event estimation (MNEE), acelera las cáusticas refractadas en las sombras de los objetos que marcas como emisores y receptores de cáusticas; no crea un mapa de fotones.
¿Cuál es la diferencia entre radiancia e irradiancia en el photon mapping?
La radiancia es la luz que sale de una superficie en una dirección concreta, mientras que la irradiancia es la energía luminosa total que llega a una superficie desde todas las direcciones. La estimación de densidad de fotones parte de la luz entrante que representan los fotones y, con la BRDF, la convierte en la radiancia que ve la cámara.
¿Por qué los fotones se guardan solo en superficies difusas?
La estimación de densidad necesita una distribución espacial estable de la energía luminosa. Las superficies perfectamente especulares, como los espejos o el vidrio ideal, no producen un patrón de densidad útil, así que esas interacciones se resuelven con ray tracing determinista.
¿Qué es un KD-tree y por qué lo usa el mapa de fotones?
Un KD-tree es una estructura de datos espacial que organiza puntos en un espacio multidimensional para hacer búsquedas rápidas de vecinos más cercanos y por rango. Las consultas de fotones se hacen en cada punto de sombreado, así que su velocidad influye directamente en el tiempo de render; Jensen recomienda los KD-trees porque encuentran rápido los fotones más cercanos incluso en mapas de fotones grandes.
¿Cómo mejora la búsqueda de los k vecinos más cercanos la precisión del photon mapping?
El photon mapping suele recoger los k fotones más cercanos alrededor de un punto de sombreado. Así el radio de búsqueda efectivo se adapta a la densidad local de fotones: pequeño donde hay muchos y mayor donde hay pocos, lo que mejora la estabilidad y reduce los artefactos de estimación.
¿Qué causa el desenfoque en los renders con photon mapping?
El desenfoque aparece cuando el radio de recolección es demasiado grande o la densidad de fotones es demasiado baja. Como la radiancia se estima como una densidad sobre un área, los fotones dispersos suavizan los detalles nítidos de la luz, como las cáusticas finas. Más fotones, un radio menor o el filtro cónico que recomienda Jensen, que pondera cada fotón según su distancia al punto de sombreado, dan resultados más nítidos.
¿Por qué se considera que el photon mapping es un algoritmo de iluminación global sesgado?
Porque estima la radiancia a partir de la densidad de fotones en un radio finito, lo que introduce un error sistemático. Pero es consistente: con más fotones y un radio de recolección menor, el resultado se acerca a la solución de la ecuación de renderizado, que es justo lo que el photon mapping progresivo hace de forma automática.
¿Los generadores de IA calculan la luz como el photon mapping?
No. Un generador de imágenes basado en difusión no traza la luz ni resuelve la ecuación de renderizado; genera una imagen cuya luz se parece a lo que aprendió de sus imágenes de entrenamiento. El photon mapping simula y registra de forma explícita las interacciones de la luz, mientras que un generador con IA solo dibuja su resultado visual.
¿Pueden las imágenes generadas con IA mostrar cáusticas exactas?
Pueden mostrar patrones convincentes parecidos a cáusticas, pero esos patrones están dibujados, no calculados: su forma y su brillo no tienen por qué ser físicamente correctos, y no respetan la conservación de la energía. Para una cáustica en la que tengas que confiar, como la luz del sol que atraviesa una fachada de vidrio y cae sobre un piso, usa un motor basado en la física con un solver de cáusticas.
