Estudio comparativo para generación de modelos 3D de edificios patrimoniales y estimación de su calidad mediante IA generativa
Year: 2026
Type: dissertation
Abstract: La preservación del patrimonio cultural arquitectónico es uno de los principales retos de la sociedad contemporánea. Aplicándolo a nuestra patria, el monumento de El Monasterio de San Lorenzo de El Escorial, declarado Patrimonio de la Humanidad por la UNESCO en 1984, representa un caso de estudio de alta complejidad por su arquitectura herreriana y la limitada disponibilidad de datos abiertos para su estudio digital. El presente Trabajo Fin de Grado presenta el diseño, implementación y evaluación de un pipeline modular para la generación y valoración comparativa de modelos 3D de edificios patrimoniales mediante técnicas de Inteligencia Artificial. El sistema se organiza en cinco módulos: adquisición de datos (capturas propias en campo, material audiovisual, complementario y modelos de externos), preprocesado de imágenes (extracción de fotogramas y filtrado por similitud estructural), generación 3D, normalización de mallas y evaluación cuantitativa. El módulo de evaluación constituye la aportación metodológica central del trabajo. Integra ocho métricas estructuradas en cuatro familias: métricas geométricas básicas (volumen del bounding box, número de vértices y caras, ratio de caras degeneradas), métricas de integridad topológica (estanqueidad, ratio de aristas non-manifold y consistencia de normales), métricas de distancia entre mallas (distancia de Chamfer, distancia de Hausdorff, RMSE/MAE y F Score 3D) y dos métricas de desarrollo propio. Estas últimas son la Simetría Direccional Espacial (SDE), que cuantifica el grado de simetría bilateral de la malla en el eje principal del edificio, y la Regularidad Arquitectónica vMF, basada en el ajuste de una mezcla de distribuciones de von Mises-Fisher sobre las normales de la nube de puntos mediante el algoritmo EM, con selección del número óptimo de componentes por criterio BIC. Ambas métricas cubren la dimensión de lógica constructiva arquitectónica que las métricas clásicas no capturan. Para la generación de modelos 3D, el proyecto exploró dos aproximaciones: Luma Capture, basada en Neural Radiance Fields (NeRF), y reconstrucción fotogramétrica con pycolmap. Sin embargo, las limitaciones computacionales condicionaron la vertiente generativa, por lo que el corpus evaluado se compone de seis modelos: tres de referencia humana, un modelo generado por IA y dos productos con Luma AI. Los resultados permiten extraer tres conclusiones de carácter general. En primer lugar, ninguna métrica individual resulta suficiente para evaluar la calidad de un modelo 3D arquitectónico: las métricas clásicas miden con precisión el error volumétrico pero son insensibles a la lógica constructiva del edificio, mientras que las métricas propias detectan justamente esa dimensión estructural. El uso combinado es una condición necesaria para llevar a cabo una evaluación completa. En segundo lugar, los modelos generativos actuales presentan un perfil de calidad distinto al de los modelos humanos: el modelo generado por IA limpio exhibe una topología casi impecable (ratio non-manifold del 0,01 %) pero una comprensión arquitectónica limitada (vMF de 0,3504 frente a 0,5066 del mejor modelo humano), mientras que los modelos Luma destacan en fidelidad volumétrica (RMSE de 0,0382 en Luma UNIDO) pero acumulan entre un 92 y 94 % de caras degeneradas que invalidan la malla sin postprocesado. En tercer lugar, la métrica vMF demuestra capacidad discriminante para la ortogonalidad herreriana, confirmando su utilidad como indicador complementario a las métricas clásicas. El pipeline desarrollado es modular y reproducible, ya que acepta cualquier tipo de malla estándar (.ply, .glb, .obj, .usdz) y permite incorporar nuevos modelos generativos sin modificar el módulo de evaluación. El trabajo además propone diferentes líneas futuras de trabajo, entre las que destacan el refinamiento de la limpieza de mallas IA mediante restricciones de simetría explícitas, la extensión de la métrica vMF a otros estilos arquitectónicos y la integración del pipeline con flujos de trabajo HBIM para documentación patrimonial profesional. ABSTRACT The preservation of architectural cultural heritage is one of the main challenges of contemporary society. Applying this to our homeland, the monument of the Monastery of San Lorenzo de El Escorial, declared a UNESCO World Heritage Site in 1984, represents a highly complex case study due to its Herrerian architecture and the limited availability of open data for its digital study. This Bachelor's Thesis presents the design, implementation, and evaluation of a modular pipeline for the generation and comparative assessment of 3D models of heritage buildings using Artificial Intelligence techniques. The system is organized into five modules: data acquisition (original field captures, complementary audiovisual material, and external models), image preprocessing (frame extraction and structural similarity filtering), 3D generation, mesh normalization, and quantitative evaluation. The evaluation module constitutes the central methodological contribution of this work. It integrates eight metrics structured into four families: basic geometric metrics (bounding box volume, number of vertices and faces, and degenerate face ratio), topological integrity metrics (watertightness, non manifold edge ratio, and normal consistency), mesh distance metrics (Chamfer distance, Hausdorff distance, RMSE/MAE, and 3D F-Score), and two custom developed metrics. The latter are Spatial Directional Symmetry (SDS), which quantifies the degree of bilateral symmetry of the mesh along the main axis of the building, and Architectural Regularity vMF, based on fitting a mixture of von Mises-Fisher distributions onto the point cloud normals using the EM algorithm, with the optimal number of components selected via the BIC criterion. Both metrics cover the dimension of architectural constructive logic that classical metrics fail to capture. For 3D model generation, the project explored two approaches: Luma Capture, based on Neural Radiance Fields (NeRF), and photogrammetric reconstruction with pycolmap. However, computational limitations conditioned the generative aspect; thus, the evaluated corpus consists of six models: three human-made reference models, one AI-generated model, and two products generated with Luma AI. The results allow for three general conclusions. First, no single metric is sufficient to evaluate the quality of an architectural 3D model: classical metrics accurately measure volumetric error but are insensitive to the building's constructive logic, whereas the custom metrics specifically detect this structural dimension. Their combined use is a necessary condition for a comprehensive evaluation. Second, current generative models exhibit a quality profile distinct from that of human-made models: the AI_clean model displays an almost flawless topology (a non-manifold ratio of 0.01%) but limited architectural understanding (a vMF of 0.3504 compared to 0.5066 for the best human model), while the Luma models excel in volumetric fidelity (an RMSE of 0.0382 in Luma UNIDO) but accumulate between 92% and 94% of degenerate faces, which invalidates the mesh without post-processing. Third, the vMF metric demonstrates a discriminating capacity for Herrerian orthogonality, confirming its utility as a complementary indicator to classical metrics. The developed pipeline is modular and reproducible, as it accepts any standard mesh type (.ply, .glb, .obj, .usdz) and allows for the incorporation of new generative models without modifying the evaluation module. Furthermore, this work proposes several future lines of research, notably the refinement of AI mesh cleaning through explicit symmetry constraints, the extension of the vMF metric to other architectural styles, and the integration of the pipeline with HBIM workflows for professional heritage documentation.
Author: Luján Sánchez, Moisés
Language: Spanish
Subfield: Geology
Field: Earth and Planetary Sciences
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7171914611
