Quien se ocupa del 3D a partir de fotos tropieza enseguida con conceptos que en apariencia significan lo mismo y no lo hacen. ¿Fotogrametría? ¿Gaussian Splatting? ¿NeRF? ¿Y dónde está DFX SplatCore? La confusión es comprensible — los conceptos proceden de dos mundos distintos que solo hace poco se han encontrado. Este capítulo los ordena, cuenta la corta y salvaje historia del recién llegado — y termina en la pregunta que aquí realmente importa: ¿qué significa esto para sus fotos?
La fotogrametría es la continuación directa de la historia de la Parte 1. Su proceso, a grandes rasgos: a partir de muchas fotos se calculan hacia atrás las posiciones de las cámaras (la resección), luego, para incontables millones de puntos de imagen, se determina por triangulación la posición en el espacio — surge una nube de puntos, sobre la que se tiende una malla de alambre (el «mesh»), sobre la que finalmente se superponen las fotos como imagen de superficie.
El resultado es métrico — se puede medir en él. Por eso la fotogrametría sigue siendo hasta hoy la herramienta de elección donde las cifras cuentan: agrimensura, construcción, cartografía, conservación de monumentos. Sus debilidades están en el otro lado: necesita superficies con estructura (las cosas lisas, brillantes o transparentes fracasan), los detalles finos como cabellos o rejillas se descomponen, y el fotorrealismo tiene un límite — la textura está pegada sobre la geometría. De cerca, con luz rasante, en las transiciones suaves, se nota.
En 2020 un grupo de investigación presentó un procedimiento que abordaba la tarea de forma completamente distinta: NeRF («Neural Radiance Fields»). Sin nube de puntos, sin malla de alambre — en su lugar se entrena una red neuronal para responder a una única pregunta: «Estoy aquí y miro hacia allí — ¿qué veo?» Para cada imagen deseada esta pregunta se plantea millones de veces a lo largo de rayos visuales, y de las respuestas surge la vista.
Los resultados fueron una sensación: vistas libres fotorrealistas, materiales suaves, ambientes de luz — cosas en las que fracasa la textura pegada de la fotogrametría. El precio, sin embargo, era brutal: entrenamiento de horas a días, y hasta el modelo terminado necesitaba de segundos a minutos por imagen. Maravilloso — y para el trabajo práctico, inservible.
Lo que siguió fue una carrera de dos años por la velocidad, y en medio de ella surgió una constatación que despejó el camino para todo lo demás. Procedimientos como Plenoxels (2022) tiraron sin más la red neuronal por completo y alcanzaron con una simple retícula casi la misma calidad — en una fracción del tiempo. Instant-NGP (2022) redujo el entrenamiento de días a segundos. La lección de ello: La magia nunca estuvo en la red neuronal. Está en la idea de refinar una escena como un todo hasta que explique todas las fotos simultáneamente. Si eso también funciona sin red — entonces la representación puede ser simple, rápida y editable de forma directa.
En 2023 un trabajo procedente de Francia reunió dos tradiciones que durante veinte años habían corrido en paralelo. Una proviene de los gráficos por ordenador: ya en 2001 se sabía cómo representar limpiamente superficies a partir de manchas de color elípticas y suaves («splats»). La otra es la joven idea del campo de radiancia de NeRF. El resultado se llama 3D Gaussian Splatting — y ganó la carrera en ambas direcciones a la vez: calidad NeRF con reproducción en tiempo real.
La idea que hay detrás es gratamente visual. Una escena consta de millones de manchas de color suaves en el espacio. Cada mancha tiene un lugar, una forma (desde esférica hasta afilada como una aguja — así se ciñen a los cantos y las superficies), una transparencia y un color que puede cambiar ligeramente según la dirección de la mirada. El entrenamiento funciona como una escultura acelerada: las manchas se dibujan, se comparan con las fotos reales, se desplazan, se dividen, se borran, se recolorean — decenas de miles de veces, hasta que la escena renderizada explica las fotos.
Y aquí se cierra el círculo con la Parte 1, en una frase que explica toda la arquitectura de DFX SplatCore: El entrenamiento arranca con los puntos y posiciones de cámara del viejo mundo de la medición. Primero la clásica máquina fotogramétrica calcula el esqueleto — dónde estaban las cámaras, dónde se hallan los primeros puntos —, luego el entrenamiento de splatting deposita encima la piel fotorrealista. La tradición de medición de dos mil años no fue sustituida. Se convirtió en el fundamento.
La confluencia de 2023. A la derecha, las ramas de la familia que han surgido desde entonces — la sección 2.6 muestra cuál de ellas trabaja dónde en DFX SplatCore.
Imagen IA
Después de 2023 la investigación explotó, y de aquel único procedimiento surgió una familia. Cada rama resuelve una debilidad propia del original: procedimientos para pocas imágenes (el original necesitaba muchas), para la generación a partir de una sola imagen, para mallas y exportaciones limpias a programas 3D clásicos, para la robustez frente a capturas movidas o difíciles, para superficies especulares y para el cálculo de la luz a partir de las capturas. Los nombres de estos procedimientos — InstantSplat, BAD-GS, SpikeGS, FlashGS y muchos más — nadie necesita recordarlos. Pero vale la pena saber que existen. Pues:
DFX SplatCore no es ninguno de estos procedimientos. Es la orquesta en la que miembros escogidos de la familia tocan juntos — cada uno allí donde está su fortaleza, y sin que usted tenga que preocuparse del reparto:
| Rama de la familia | En DFX SplatCore |
|---|---|
| Generación a partir de una sola imagen | la vía TripoSplat en la importación de imagen individual |
| Reconstrucción a partir de pocas imágenes (2–12) | la vía MapAnything para series pequeñas |
| Vía clásica de muchas imágenes | cálculo de cámaras con COLMAP + entrenamiento de splatting |
| Geometría, malla y exportación | entrenamiento 2D-Splatting, generación de malla, exportación GLB |
| Robustez frente a errores de captura | los cinco niveles de tolerancia de Motion Guard llevan exactamente los nombres de estos procedimientos |
| Calcular la luz aparte | el procesamiento PBR con De-Lighting en el módulo Orbit |
| Superficies especulares | en desarrollo — nombrado abiertamente en la Parte 7 |
Dos cosas de esta tabla son notables. Primero: la tabla de tolerancias de Motion Guard, que en la importación juzga sus imágenes, no consta de cifras inventadas — detrás hay procedimientos reales con una tolerancia de error realmente medida. Segundo: la última fila es deliberadamente honesta. Donde algo aún no está resuelto, se dice así — y en ningún otro sitio lo leerá con más claridad que en la Parte 7.
De la doble naturaleza — esqueleto de medición más piel de reproducción — se sigue una idea que ordena todo el saber sobre la captura y que las viejas guías a menudo pasan por alto:
Con lo que la pregunta decisiva queda sobre la mesa: ¿qué necesita exactamente una reconstrucción así de sus fotos? Eso es la Parte 3 — el capítulo más corto con el mayor efecto.
