Comparación de dos metodologías para construir modelos digitales en 3D

Abstract

La generación precisa de modelos tridimensionales (3D) a partir de objetos reales es un desafío tecnológico en constante evolución, donde convergen métodos tradicionales y técnicas emergentes basadas en inteligencia artificial (IA). Este estudio compara dos escáneres 3D convencionales (EinScan SE V2 y EinScan Pro-HD de Shining 3D) con Neuralangelo, una metodología avanzada propuesta por NVIDIA que utiliza una técnica de aprendizaje profundo para reconstruir escenas complejas a partir de un conjunto de imágenes 2D-dimensionales llamada Neural Radiance Field (NeRF) (Li et al., 2023). Además, se analiza el modelo emergente TRELLIS de Microsoft, basado en IA generativa, que permite la creación de objetos 3D a partir de descripciones textuales o imágenes (Fang et al., 2025). Para la comparación se realizaron diferentes experimentos, utilizando objetos con distintas geometrías, texturas y colores. Se evaluaron criterios como fidelidad visual, precisión geométrica, costos computacionales y facilidad operativa. Neuralangelo tiene una destacada capacidad para capturar detalles complejos sin depender de hardware especializado; sin embargo, su implementación práctica presentó desafíos relacionados con requerimientos computacionales y procesos de preprocesamiento. Por su parte, TRELLIS demostró eficiencia en la generación de modelos 3D, aunque su naturaleza generativa puede introducir elementos no presentes en las imágenes originales, lo que limita su aplicabilidad en contextos que requieren una alta fidelidad morfológica, como la documentación de especies marinas del Caribe colombiano. En contraste, los escáneres tradicionales ofrecieron mayor precisión geométrica, simplicidad operativa y menores demandas tecnológicas. Este estudio evidencia que, aunque tecnologías como Neuralangelo y TRELLIS representan avances significativos sobre técnicas anteriores basadas en NeRF, su adopción generalizada aún enfrenta desafíos técnicos y operativos respecto a los métodos tradicionales establecidos.