ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
EMPLEO DE INTELIGENCIA ARTIFICIAL PARA SÍNTESIS DE  
MATERIALES BASADOS EN FÍSICA EN RECONSTRUCCIÓN  
PATRIMONIAL  
AI-DRIVEN SYNTHESIS OF PBR MATERIALS FOR VIRTUAL  
HERITAGE RECONSTRUCTION  
José Alejandro Vázquez Durán1  
{al.exvaz@hotmail.com1}  
Fecha de recepción: 30/03/2026  
/ Fecha de aceptación: 11/08/2026  
/ Fecha de publicación: 25/08/2026  
RESUMEN: La digitalización del patrimonio arquitectónico evoluciona desde la  
documentación hacia un instrumento transversal de investigación, conservación  
preventiva y divulgación, donde la visualización 3D con renderización se basa en la  
demanda de materiales digitales plausibles para sostener la credibilidad de la  
representación. Sin embargo, la paradoja metodológica de las técnicas reality-based  
(fotogrametría y TLS) capturan con alta fidelidad geométrica el estado actual del bien,  
así como el registro de deterioros, pátinas y alteraciones que dificultan la materialidad  
histórica original como el caso de la erosión y las alteraciones cromáticas del granito  
fino ornamentado que oscurecen la apariencia primigenia de la Iglesia de Santa María  
de Sar en Santiago de Compostela. Por ello, este trabajo aborda la brecha entre lo  
existente-degradado y lo original-perdido mediante un método aplicado que  
desarrolla y documenta un flujo de trabajo integral para la síntesis de materiales PBR  
asistida por IA multimodal, integrado en un pipeline profesional (GIMP +  
Blender/Cycles). Los hallazgos técnicos muestran que la generación del albedo toma  
aproximadamente tres minutos, el resto de mapas PBR se derivan sistemáticamente  
en GIMP y se integran posteriormente en Blender. Desde la ética, se identifica que los  
modelos de IA crean debido a sus datos de entrenamiento, lo que exige una  
documentación explicita de paradatos, asi los resultados demuestran que, bajo  
dirección experta la IA produce materiales PBR plausibles, concluyendo que el método  
es técnicamente viable y estéticamente coherente para divulgación e hipótesis de  
restitución, sin sustituir a la captura directa ni exime de la transparencia metodológica.  
Palabras clave: patrimonio cultural, patrimonio cultural digital, modelado 3D,  
materiales PBR, ingeniería de instrucciones  
ABSTRACT: The digitization of architectural heritage is evolving from mere  
documentation into a cross-cutting tool for research, preventive conservation, and  
dissemination, where 3D visualization with rendering relies on the demand for  
plausible digital materials to support the credibility of the representation. However, a  
1Grupo integrado de ingeniería civil  
https://orcid.org/0009-0000-2763-3527, +34 603655030  
y
geomática, Universidad de Santiago de Compostela-España,  
110  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
methodological paradox arises with reality-based techniques (photogrammetry and  
TLS), which capture the current state of the asset with high geometric fidelity,  
including the recording of deterioration, patinas, and alterations that obscure the  
original historical materiality—as in the case of erosion and chromatic alterations of  
fine ornamental granite that mask the original appearance of the Church of Santa  
María de Sar in Santiago de Compostela. Therefore, this work addresses the gap  
between the existing-degraded and the original-lost through an applied method that  
develops and documents a comprehensive workflow for the synthesis of PBR  
materials assisted by multimodal AI, integrated into a professional pipeline (GIMP +  
Blender/Cycles). The technical findings show that albedo generation takes  
approximately three minutes, the remaining PBR maps are systematically derived in  
GIMP and subsequently integrated into Blender. From an ethical perspective, AI  
models are found to introduce biases due to their training data, requiring explicit  
paradata documentation. Thus, the results demonstrate that, under expert guidance,  
AI produces plausible PBR materials, concluding that the method is technically viable  
and aesthetically coherent for dissemination and restitution hypotheses, without  
replacing direct capture or exempting methodological transparency.  
Keywords: cultural heritage, digital cultural heritage, 3D modeling, PBR materials,  
prompt engineering  
INTRODUCCIÓN  
La digitalización del patrimonio arquitectónico amplía el alcance virtual desde el registro  
hacia un instrumento transversal para investigación, conservación preventiva y acceso  
público. En este contexto, los flujos de renderización basada en física (PBR) se  
generalizan en la visualización 3D patrimonial asociados a la búsqueda de  
representaciones materialmente creíbles; la credibilidad de la visualización depende  
críticamente de la calidad y plausibilidad de los materiales digitales aplicados al modelo  
(1, 2, 3, 4).  
Sin embargo, existe una paradoja metodológica fundamental: mientras técnicas como  
fotogrametría y escaneo láser terrestre (TLS) permiten generar modelos 3D reality-  
based con alta fidelidad geométrica para documentar el estado actual de los bienes  
patrimoniales, dicho estado suele incorporar deterioro e intervenciones que dificultan  
la inferencia de la materialidad histórica original (5, 6, 7, 8, 9, 10). Esta discordancia se  
manifiesta con particular agudeza en la Iglesia de Santa María de Sar, donde elementos  
ornamentales en granito fino presentan erosión superficial y alteraciones cromáticas  
que oscurecen su apariencia original.  
La teoría contemporánea del patrimonio digital reconoce que toda representación  
digital es inherentemente interpretativa, situándose entre la documentación del estado  
existente y la hipótesis de estados desaparecidos (11, 12, 13). Este espectro exige  
transparencia metodológica mediante paradata, requisito ético fundamental según la  
Carta de Londres (2009) (14) y los Principios de Sevilla (2017) (15) porque implica un  
doble desafío: técnico e interpretativo.  
111  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
Los métodos convencionales de crear materiales digitales patrimoniales tienen dos  
categorías: la (1) fotogrametría que es el estándar para documentar el patrimonio  
existente a partir de producir texturas que registran patologías y degradaciones (16, 17,  
18) a pesar de que, Vico-García et al. (2025) (19) señalan que limpiar estas texturas de  
los elementos anacrónicos resulta complejo y destructivo. Por lo que, en casos de  
pérdida material sustancial la fotogrametría carecería de datos fiables (11). Por  
consiguiente, el (2) modelado manual es la alternativa de crear materiales hipotéticos  
con la sintetización de información histórica y análogos arquitectónicos (20) aunque este  
enfoque sea intensivo en tiempo, su calidad dependerá de la habilidad subjetiva del  
creador porque su proceso rara vez sería reproducible o transparente, ya que contaría  
con el riesgo de reflejar concepciones estéticas contemporáneas (11, 21).  
Contextualmente, los modelos de Inteligencia Artificial generativa (IA), en particular, los  
sistemas multimodales que confieren procesamiento de lenguaje natural y síntesis de  
imágenes proponen nuevas posibilidades para el patrimonio cultural (22). Modelos que  
operan como sistemas de inferencia estadística porque aprenden distribuciones de  
probabilidad sobre millones de pares texto-imagen para originar nuevas imágenes  
correspondientes a descripciones textuales (23). Por lo que, las aplicaciones iniciales de  
IA en el patrimonio cultural se concentran en restauración virtual de imágenes,  
categorización de artefactos o producción de variantes estilísticas (11, 22). Sin embargo,  
la aplicación específica a la síntesis de texturas PBR para la reconstrucción  
arquitectónica virtual representa un dominio teóricamente inexplorado con obstáculos  
como la escasez de data sets pareados y problemas de coherencia multicanal (24, 25,  
26).  
Esta aplicación debe tomar en cuenta precauciones fundamentales, ya que los modelos  
de IA generativa resultan ser sesgados por sus datos de entrenamiento extraídos de  
internet contemporáneo, lo que sugiere el riesgo de generar visiones anacrónicas del  
patrimonio (27). Además, su naturaleza estocástica choca con el ideal de  
reproducibilidad científica (28), y la teoría crítica del patrimonio digital enfatiza que  
estas tecnologías reconfiguran las relaciones de autoridad interpretativa (29).  
En respuesta, la investigación propone un objetivo doble: desarrollar y documentar un  
flujo de trabajo integral que emplea modelos multimodales de IA (GPT-4 con DALL-E 3)  
para crear materiales PBR destinados a reconstrucción virtual del patrimonio; y aplicar  
este protocolo a la síntesis de texturas del granito fino original de la Iglesia de Santa  
María de Sar. La investigación se articula en torno a la pregunta de qué nivel de  
coherencia estética y viabilidad técnica es necesario para que el proceso se considere  
metodológicamente válido cuando se despliega dentro de un protocolo riguroso que  
parte de una especificación histórica contextualmente anclada, sigue un proceso de  
prompt engineering iterativo y culmina en posprocesamiento especializado.  
La evaluación de validez opera en dos dimensiones interdependientes: la coherencia  
estética contextual, definida como el grado en que una textura generada es percibida  
como plausible e integrable en un modelo 3D según evaluación experta fundamentada  
en conocimiento histórico-material; y la viabilidad técnica reproducible, referida a la  
capacidad de un output de IA de ser procesado e integrado en un flujo de trabajo  
estándar de producción PBR para generar un material renderizable físicamente  
112  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
coherente (30). Estos criterios se entrelazan con el concepto de prompt engineering  
patrimonial, entendido como el proceso sistemático de traducir conocimiento histórico-  
material en instrucciones precisas para dirigir un modelo generativo, práctica  
emergente como competencia especializada en la intersección entre investigación  
histórica, ciencia de materiales y lingüística computacional.  
La fundamentalidad de esta investigación reincide en su contribución metodológica  
cerrar la brecha entre las capacidades emergentes de la IA y necesidades de la  
visibilización patrimonial a través de un flujo de trabajo estructurado y reproducible para  
demostrar técnicamente la integración de outputs de IA en pipelines profesionales  
(Blender/Cycles) y avanzar teóricamente en la discusión de los criterios de validez para  
la evaluación de reconstrucciones digitales que utilizan tecnologías generativas y, abrir  
un debate de la intersección del patrimonio digital y ética computacional (31, 32).  
MATERIALES Y MÉTODOS  
Esta investigación adquiere un enfoque de método aplicado, dado a que el objetivo  
central es diseñar, documentar y evaluar algún procedimiento técnico específico para la  
resolución de un problema práctico, como lo es la generación eficiente de materiales  
PBR hipotéticos para el patrimonio digital.  
Mientras que una metodología constituye el marco que justifica el porqué de la  
investigación, un método describe el cómo operativo (33). En este caso, el qué es la  
evaluación de la viabilidad de la IA para síntesis de texturas patrimoniales; el por qué se  
expone en el marco teórico, basado en un paradigma interpretativo-crítico; y el cómo  
es el flujo de trabajo de cinco fases. Se trata de un método de desarrollo y evaluación  
de prototipos en humanidades digitales que sigue una lógica lineal y descriptiva, común  
en estudios de viabilidad tecnológica aplicada al patrimonio, donde el rigor reside en la  
transparencia descriptiva y la reproducibilidad del proceso (34).  
La naturaleza del problema no es susceptible de medición cuantitativa estandarizada,  
ya que no existen métricas universalmente aceptadas para medir la coherencia histórica  
de una textura. La validación se fundamenta en una evaluación cualitativa experta,  
atendiendo a criterios de coherencia estético-histórica y funcionalidad técnica,  
mediante observación directa y análisis crítico de los resultados visuales, enfoque  
consistente con la investigación basada en diseño (35). La validez del método se deriva  
de la viabilidad observada del proceso y la credibilidad de los resultados ante una  
audiencia especializada.  
La implementación requirió tres herramientas. Para la síntesis de imágenes se utilizó  
ChatGPT Plus (GPT-5.2 con DALL-E 3). El procesamiento de imágenes se realizó en GIMP  
3.0.6. La integración de materiales y validación visual se llevó a cabo en Blender 4.5 con  
su motor Cycles para evaluar propiedades físicas bajo iluminación controlada (Tabla 1).  
113  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
Tabla 1. Especificaciones técnicas de los programas y computadora empleados.  
Componente  
Especificación  
Síntesis de imágenes  
ChatGPT plus (DALL-E 3)  
GIMP 3.0.6  
Procesamiento de texturas  
Modelado 3D y texturizado  
Blender 4.5 / Cycles  
Hardware mínimo recomendado  
Procesador  
Ryzen 7 3700X  
16 GB DDR4  
Memoria Ram  
Tarjeta grafica  
NVIDIA RTX 2060 6GB  
SSD 256 GB  
Almacenamiento  
Conexión a internet  
Empleada por ChatGPT  
El método aplicado se articula en cinco fases consecutivas, ilustradas en la Figura 1, que  
transforman una especificación histórica en un material digital. A continuación, se  
desglosa cada fase con sus outputs intermedios y las dificultades encontradas.  
114  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
Figura 1. Diagrama del flujo de trabajo propuesto para la síntesis de materiales PBR.  
Fuente: elaboración propia.  
2.1 Fase 1: Especificación histórica e investigación documental  
Esta fase representa la primera etapa del flujo de trabajo empleado, la cual traduce la  
investigación histórica en una descripción textual, en este caso definirá las  
características del granito fino beige original, excluyendo patinas y deterioro  
documentado, además de seleccionar las imágenes que servirán de referencia para el  
material.  
2.2 Fase 2: Síntesis de textura base mediante IA  
La fase siguiente es la adecuación de la descripción textual generada para obtener un  
resultado aproximado, debido a que las imágenes de referencia incluyen daño por  
patina, musgo y sombras es necesario sortearlas con el ajuste debido al promt. La  
descripción textual empleada para solucionar esto fue: "En base a las imágenes  
115  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
proporcionadas, crea un mapa de albedo, seamless, 2k, de granito fino arenisca para la  
base de un material PBR".  
2.3 Fase 3. Generación de mapas PBR en GIMP  
El resultado obtenido tras el proceso de síntesis mediante ChatGPT se intervendrá  
mediante el empleo de GIMP, centrado en derivar los mapas complementarios. Para el  
mapa de normales, se convirtió el albedo a escala de grises y se aplicó el filtro Mapa de  
normales, ajustando la profundidad para obtener un relieve micro-superficial sutil.  
El mapa de rugosidad se obtuvo manipulando la misma imagen en escala de grises; se  
invirtieron los tonos y se ajustó el contraste para asignar valores bajos de rugosidad a  
zonas claras y valores altos a zonas oscuras. El mapa de altura se derivó de la versión en  
grises del albedo, aplicando Desenfoque gaussiano y realzando el contraste. El mapa de  
oclusión ambiental se generó a partir del mapa de altura; se aplicó Desenfoque  
gaussiano y se ajustaron los Niveles para oscurecer selectivamente grietas y uniones.  
Cada mapa se ajustó para mantener coherencia física y visual con el albedo.  
2.4 Fase 4: Integración en Blender  
Los 5 mapas generados, tanto po IA como por GIMP se integran dentro de Blender  
siguiendo el flujo estándar establecido para materiales PBR. Así estos mapas conforman  
un material digital que se aplica al modelo 3D correspondiente, configurando las  
coordenadas UV y escala de textura para garantizar un empleo realista.  
2.5 Fase 5: Validación visual  
La última fase corresponde a la validación visual mediante renders de prueba con  
iluminación HDRI, lo que permite evaluar la coherencia visual del material, su respuesta  
física a la luz y su integración en un entorno virtual renderizado.  
Cabe señalar que este estudio adopta un método aplicado cuya finalidad central es  
documentar y evaluar un procedimiento técnico concreto diseñado para resolver un  
problema práctico en visualización patrimonial. El método se fundamenta en la  
viabilidad observada del proceso y en la evaluación cualitativa del resultado atendiendo  
a criterios de coherencia estético-histórica y funcionalidad técnica en entorno PBR. La  
figura 1 esquematiza la secuencia operativa de las cinco fases que componen este flujo  
de trabajo, desde la definición conceptual del material hasta su validación final como  
activo digital, donde cada fase representa un módulo funcional específico dentro del  
pipeline de producción.  
RESULTADOS  
Esta sección presenta los resultados visuales obtenidos en cada fase del flujo de trabajo,  
demostrando la viabilidad del método propuesto para generar materiales PBR  
patrimoniales mediante IA.  
116  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
La ejecución inició en la interfaz de ChatGPT, que introdujo una descripción textual  
específica un prompt que combinó requisitos técnicos de producción (resolución 2K,  
formato seamless, tipo de mapa albedo) con un detalle específico de material histórico  
("granito fino arenisca").  
Para fundamentar visualmente esta especificación, se proporcionaron al modelo dos  
imágenes de referencia: 1) muestra de granito puro que definía la textura objetivo, y 2)  
una fotografía de un arco medieval existente en Santa María de Sar, construido con el  
mismo material, que aportó contexto arquitectónico y validación histórica. Este enfoque  
de prompt engineering multimodal permitió dirigir al modelo DALL-E 3 hacia la  
generación de una imagen base conceptualmente alineada con los objetivos de  
restitución patrimonial (Figuras 2 y 3).  
La figura 2a muestra detalle del arco medieval de Santa María de Sar, construido con el  
granito arenisca que constituye el caso de estudio, mientras que 2b muestra de  
referencia del mismo material, que define la textura objetivo. Ambas imágenes fueron  
proporcionadas a la IA como contexto visual para guiar la generación del mapa de albedo  
técnicamente especificado en el prompt textual.  
Figura 2. Imágenes de referencia.  
Fuente: elaboración propia.  
La Figura 3 documenta el resultado de la fase de síntesis por IA, asi mediante captura de  
la interfaz de ChatGPT muestra el prompt exacto que especificaba los requisitos técnicos  
y el contexto material. La imagen generada, producida en aproximadamente tres  
minutos, corresponde a un mapa de albedo con las características solicitadas, recibido  
en formato seamless y con iluminación neutralizada, listo para su posterior  
procesamiento.  
117  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
Figura 3. Proceso de síntesis mediante IA en ChatGPT.  
Fuente: elaboración propia.  
De este modo, al tener como base el mapa de albedo sintetizado por la IA, se procedió  
a la generación del conjunto completo de mapas que conforman un material PBR  
físicamente coherente dentro del entorno de GIMP. Este paso crítico de derivación  
convirtió la imagen base en un sistema de materiales listo para la renderización realista  
(figura 4).  
Figura 4. Mapas resultantes tras el postproceso en Gimp.  
Fuente: elaboración propia.  
118  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
La figura 4 muestra el conjunto de mapas PBR derivados de Gimp a partir del Albedo  
sintetizado por IA. La figura muestra todo el conjunto de mapas que en conjunto  
conforman el material físicamente basado: Albedo, que da el color al material; Normal,  
que se encarga de la micro geometría superficial del granito; Roughness, que define la  
variación del brillo especular; Oclusión ambiental (AO), que simula el sombreado en  
concavidades y juntas; y mapa de Altura (height), destinado a efectos de desplazamiento  
o parallax. La coherencia visual entre los mapas confirma la validez del albedo generado  
por IA como base para una derivación físicamente plausible.  
Tras la obtención de todos los mapas que conforman el material PBR, albedo, normales,  
rugosidad, altura y oclusión ambiental, la siguiente fase consistió en su integración  
técnica dentro del entorno de Blender. Para ello se configuro un material bajo el motor  
de renders Cycles dentro del editor de nodos, donde se evidencia cómo estos cinco  
mapas se conectan sistemáticamente a las entradas correspondientes del  
shader Principled BSDF.  
Esta configuración nodal es fundamental, ya que establece las relaciones físicas precisas  
entre las propiedades superficiales definidas por cada textura, transformando el  
conjunto de imágenes independientes en un material digital unificado, físicamente  
coherente y listo para ser aplicado a la geometría del modelo patrimonial (figura 5).  
Figura 5. Configuración nodal de material en Blender.  
Fuente: elaboración propia.  
Captura del editor de nodos que muestra la conexión sistemática de los cinco mapas de  
textura generados (Figura 5) (albedo, normal, roughness, height y ambient oclusión) a  
sus correspondientes sockets de entrada en un shader Principled BSDF.  
Esta  
configuración establece las relaciones físicas entre las propiedades superficiales,  
transformando las imágenes independientes en un material digital unificado y listo para  
su aplicación en el modelo 3D patrimonial.  
119  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
Tras la creación del material y su correcta configuración en el editor de nodos, se  
procedió a una fase de validación preliminar asignándolo a geometrías de prueba  
primitivas –un plano, un cubo y un cilindro–. Este paso permitió verificar in situ el  
comportamiento físico del material bajo diferentes orientaciones superficiales y  
condiciones de iluminación, asegurando la coherencia de los mapas PBR y la ausencia  
de artefactos visuales antes de su aplicación definitiva al elemento ornamental histórico  
de la Iglesia de Santa María de Sar (figura 6).  
Figura 6. Validación preliminar en geometrías primitivas.  
Fuente: elaboración propia.  
La figura 6 muestra el render del material PBR final aplicado a modelos 3D básicos  
(cilindro, cubo, plano, esfera) para evaluar su comportamiento físico bajo diferentes  
orientaciones superficiales y condiciones de iluminación controlada. Esta etapa permitió  
verificar la coherencia de los mapas, la correcta proyección de las texturas y la respuesta  
visual unificada del material antes de su asignación al elemento patrimonial histórico.  
Tras su comprobación preliminar en geometrías de prueba, se procedió a la validación  
visual final asignando el material a un elemento patrimonial específico: un capitel  
ornamentado ubicado en techo interior de la nave central de la Iglesia de Santa María  
de Sar. Para esta evaluación se empleó una iluminación HDRi de entorno, que simula  
condiciones lumínicas realistas y permite evaluar de manera integral la respuesta física  
del material su interacción con la luz, el comportamiento especular y la percepción del  
relieve, así como su coherencia visual dentro del contexto arquitectónico histórico para  
el cual fue concebido (Figura 7).  
120  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
Figura 7. Validación final en contexto patrimonial.  
Fuente: elaboración propia  
La Figura 7 es un render a un capitel ornamentado del interior de la iglesia de Santa  
María de Sar con el material PBR aplicado. La evaluación se realizó bajo iluminación  
HDRi, lo que permitió analizar in situ la respuesta física del material, su interacción  
realista con la luz, el comportamiento especular y la percepción del relieve y su  
coherencia visual dentro del contexto arquitectónico histórico para el cual fue  
concebido.  
La integración final del material sintetizado en el elemento patrimonial objetivo, junto  
con el conjunto completo de mapas PBR y su configuración técnica documentada,  
constituye el resultado tangible del flujo de trabajo propuesto. Estos resultados visuales  
y técnicos, sin embargo, abren una serie de interrogantes sobre la eficacia, las  
limitaciones y el significado metodológico del proceso llevado a cabo, aspectos que  
serán analizados críticamente en la siguiente sección de discusión.  
DISCUSIÓN  
La implementación exitosa del flujo de trabajo plantea una respuesta afirmativa, aunque  
matizada, a la pregunta de investigación sobre la viabilidad técnica y coherencia estética  
de integrar IA generativa en la producción de materiales PBR patrimoniales. La viabilidad  
técnica se demuestra no solo en la eficiencia temporal con la generación del albedo en  
minutos contrasta radicalmente con las horas o días de modelado manual subjetivo (24)  
o con el procesamiento complejo de la fotogrametría para limpiar texturas degradadas,  
sino en la perfecta integración del output sintético en un pipeline PBR industrial  
estándar.  
Sin embargo, esta eficiencia conlleva una transferencia de la carga de trabajo: mientras  
métodos tradicionales como la fotogrametría aunque precisa, captura inevitablemente  
el deterioro actual, requiriendo horas o días de limpieza manual de texturas para  
121  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
eliminar pátinas y alteraciones anacrónicas (16, 17, 19). Por su parte, el modelado  
manual permite mayor control creativo, pero su calidad depende críticamente de la  
habilidad subjetiva del artista digital, con tiempos de producción que pueden  
extenderse a varias jornadas por material (20, 21). En contraste, el método aquí  
propuesto desplaza el esfuerzo crítico desde la ejecución técnica hacia la fase de  
especificación histórica y prompt engineering, reduciendo la generación del albedo a  
minutos, aunque trasladando la pericia al dominio de la investigación histórica y la  
dirección del modelo de IA (23, 27).  
Así, la coherencia estética alcanza un nivel de plausibilidad histórica contextualizada, es  
decir, un criterio distinto al de calidad documental de métodos tradicionales. Pues, la  
fotogrametría brinda una representación con exactitud del estado actual de deterioro;  
por lo que, el modelado manual suele prometer a una recreación históricamente precisa  
que se limita por la habilidad subjetiva del creador y su interpretación.  
Entonces, la IA guiada por referencias visuales específicas del sitio (Fig. 2) creó una  
textura que evocó contextualmente el material histórico para llenar un vacío entre lo  
existente y la hipótesis de lo perdido; pese a que esta capacidad haya estado  
estructuralmente limitada por la naturaleza estocástica y los sesgos de los modelos de  
difusión. Así, a diferencia de un escáner láser y/o una cámara métrica, DALL-E 3 que no  
mide ni suele replicar; se interpretó basándose en distribuciones estadísticas del  
conjunto de entrenamiento. Esto lo hace propenso a generar anomalías o texturas  
genéricas ("average stone") cuando las referencias son ambiguas o el prompt es  
impreciso, un riesgo inexistente en métodos de captura directa.  
Estas limitaciones técnicas están intrínsecamente ligadas a implicaciones éticas  
profundas. El uso de IA generativa en patrimonio cultural reactiva debates clásicos sobre  
autenticidad y autoridad interpretativa (29). Un modelo entrenado predominantemente  
con datos de internet perpetúa y amplifica sesgos culturales y estéticos  
contemporáneos, pudiendo generar una visión anacrónica o occidentalizada de  
materiales históricos.  
Por consiguiente, la transparencia (paradata) resulta un imperativo ético de que  
cualquier aplicación de este método deberá declarar específicamente la naturaleza  
sintética e/o interpretativa de las texturas al diferenciarlas de los datos de captura  
directos y/o documentados durante el proceso de prompt engineering, así como las  
referencias utilizadas. Lo que, causa la alineación con los principios de la London Charter  
(2009) (14) para evitar la creación de un patrimonio especulativo con la autoridad falsa  
de un documento histórico.  
Las implicaciones prácticas son duales porque, por un lado, esta tecnología democratiza  
parcialmente el origen de materiales de alta fidelidad, ya que permiten a equipos con  
menos recursos especializados en arte digital a crear prototipos visuales para estudios  
de viabilidad con propuestas de financiamiento y/o experiencias educativas. Así, por  
otro lado, se origina una nueva dependencia de plataformas y modelos comerciales  
cuyos algoritmos, costos y condiciones de uso suelen ser cambiantes arbitrariamente  
con la vulnerabilidad de que no afecta los métodos tradicionales con base en software  
de código abierto y/o técnicas fotogramétricas autónomas.  
122  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
El futuro de esta línea de trabajo debería centrarse solo en desarrollar modelos de  
dominio específico entrenados con corpus patrimoniales curados éticamente, y en la  
integración de la IA híbridamente; por ejemplo, al usar la fotogrametría para  
proporcionar la geometría y la estructura macrotextual, y al utilizar la IA para inferir y  
sintetizar la micro-textura y los colores originales perdidos. De esta manera, la IA no  
reemplazaría las metodologías, sino que se integraría para superar sus respectivas  
limitaciones bajo un marco de transparencia y rigor crítico para el investigador y/o  
creador, y no al algoritmo como una autoridad en la interpretación del pasado.  
CONCLUSIONES  
Este estudio desarrolló y validó un flujo de trabajo operativo que integró la síntesis de  
IA en la producción de materiales PBR para la visualización patrimonial histórica. Los  
resultados demostraron que, bajo un marco de especificación histórica y prompt  
engineering precisos, es posible crear materiales digitales con una plausibilidad estético-  
histórica correctos para contextos de divulgación, estudios preliminares y/o hipótesis de  
restitución.  
La principal respuesta a la pregunta de investigación fue afirmativa porque la integración  
de IA generativa en este pipeline fue viable técnicamente y, estéticamente, coherente,  
aunque su valor no haya radicado en la automatización, sino en la formalización de un  
nuevo proceso de traducción.  
Así, el método lo convirtió en el conocimiento experto y, en un protocolo replicable de  
historia que, puede dirigir a la generación futura y sintética hacia un objetivo patrimonial  
concreto al superar la mera generación aleatoria.  
No obstante, como evidencia, queda esta capacidad que no sustituye la evidencia  
material ni la captura directa; por el contrario, reconfiguró el rol del investigador y/o  
creador en su papel de ejecutor manual a director de IA porque su autoridad crítica se  
ejerció en la fase de especificación y validación, no en la de ejecución.  
Por ello, la contribución última de este trabajo trascendió como el resultado técnico  
específico al ofrecer un modelo metodológicamente transparente que documentó paso  
a paso su adaptabilidad y mejoramiento por la comunidad. Es entonces que, plantea y,  
además realiza una pregunta fundamental para el futuro de la humanidad digital: ¿cómo  
se diseñarán las herramientas de IA que no, únicamente, aceleren procesos, sino que  
amplifiquen y formalicen el rigor interpretativo del especialista?  
Por ello, se recomienda que futuras investigaciones exploren (1) el desarrollo de  
prompts estandarizados para las categorías de materiales patrimoniales históricos, la (2)  
integración híbrida con datos de fotogrametría para guiar la síntesis geométricamente,  
y la (3) creación de modelos de dominio específicos entrenados con corpus  
patrimoniales curados.  
123  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
Porque solo de esta manera la IA dejará de representar una caja negra creativa unitaria  
y se convertirá en un instrumento crítico, analítico, reproducible y ético que estará a  
favor del servicio de la interpretación y comunicación del patrimonio histórico digital.  
En definitiva, esta investigación se presenta como herramienta complementaria de un  
kit digital para el especialista en patrimonio histórico porque válida contextos donde el  
balance entre eficiencia, plausibilidad histórica y transparencia metodológica el espacio  
es explícito y éticamente gestionado.  
AGRADECIMIENTOS  
Los autores expresan su sincero agradecimiento a la Fundación Catedral de Santiago de  
Compostela por facilitar el acceso a sus instalaciones y bienes patrimoniales, cuya  
colaboración fue fundamental para la realización de este estudio. Asimismo, extienden  
un especial reconocimiento a la Doctora Ana Laura Gómez por su valiosa asistencia  
técnica en la revisión del manuscrito, y al Doctor Alfonso Vázquez por su orientación y  
recomendaciones técnicas, que contribuyeron significativamente al desarrollo y mejora  
de esta investigación.  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
2.  
Storeide MB, George S, Sole A, et al. Standardization of digitized heritage: A review  
of implementations of 3D in cultural heritage. Herit Sci. 2023;11:249. doi:  
10.1186/s40494-023-01079-z.  
Markiewicz J, Kot P, Georgopoulos A, et al. Transforming architectural heritage  
documentation:  
Developing  
integrated  
European  
recommendations  
for  
safeguarding and preservation. npj Herit Sci. 2025;13:622. doi: 10.1038/s40494-  
025-02200-0.  
3.  
4.  
5.  
6.  
Lang M, Salcedo Paparoni V. Scanning authenticity: On the limits of 3D  
representation in museums. ISPRS Ann Photogramm Remote Sens Spat Inf Sci.  
2025; X-M-2-2025:193-199. DOI: 10.5194/isprs-annals-X-M-2-2025-193-2025.  
Wu L, Yu R, Su W, Ye S. Design and implementation of a metaverse platform for  
traditional culture: The chime bells of Marquis Yi of Zeng. Herit Sci. 2022;10:193.  
doi: 10.1186/s40494-022-00828-w.  
Alshawabkeh Y, Baik A. Integration of photogrammetry and laser scanning for  
enhancing scan-to-HBIM modeling of Al Ula heritage site. Herit Sci. 2023;11:147.  
doi: 10.1186/s40494-023-00997-2.  
Stamnas A, Kaimaris D, Georgiadis C, Patias P. Comparing 3D digital technologies  
for archaeological fieldwork documentation: The case of Thessaloniki Toumba  
excavation, Greece. Int Arch Photogramm Remote Sens Spat Inf Sci. 2021;XLVI-M-  
1-2021:713-720. doi: 10.5194/isprs-archives-XLVI-M-1-2021-713-2021.  
Llabani A, Abazaj F. 3D documentation of cultural heritage using terrestrial laser  
scanning. J Appl Eng Sci. 2024;22(2):267-271. doi: 10.5937/jaes0-50414.  
Sanmartín P, Sanjurjo-Sánchez J, Prieto B. Covering layers on granite buildings of  
Northwestern Iberian Peninsula: When observable characteristics and lab  
7.  
8.  
characterization  
do  
not  
match.  
Coatings.  
2020;10(2):137.  
doi:  
10.3390/coatings10020137.  
124  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
9.  
Mishra M, Lourenço PB. Artificial intelligence-assisted visual inspection for cultural  
heritage: State-of-the-art review. Cult Herit. 2024;66:536-550. doi:  
10.1016/j.culher.2024.01.005.  
J
10.  
Jáidar Benavides Y, Magar Meurs V, Ruiz Martín MC, editors. Criterios de  
conservación del patrimonio en piedra. México: Secretaría de Cultura / INAH /  
UNAM-IIE  
/
ICCROM;  
2025.  
Disponible  
en: https://www.iccrom.org/es/publication/criterios-de-conservaci%C3%B3n-  
del-patrimonio-en-piedra  
11.  
12.  
13.  
14.  
Pietroni E, Ferdani D. Virtual restoration and virtual reconstruction in cultural  
heritage: Terminology, methodologies, visual representation techniques and  
cognitive models. Information. 2021;12(4):167. doi: 10.3390/info12040167.  
Apollonio FI. The three-dimensional model as a "scientific fact": The scientific  
methodology in hypothetical reconstruction. Heritage. 2024;7(10):5413-5427.  
doi: 10.3390/heritage7100255.  
Fallavollita F, Foschi R, Apollonio FI, Cazzaro I. Terminological study for scientific  
hypothetical  
10.3390/heritage7090225.  
The London Charter. The London Charter for the computer-based visualisation of  
cultural heritage. Version 2.1. 2009. Disponible  
3D  
reconstruction.  
Heritage.  
2024;7(9):4755-4767.  
doi:  
en: https://londoncharter.org/fileadmin/templates/main/docs/london_charter_  
2_1_en_edits.pdf  
15.  
The Seville Principles. The Seville Principles: International principles of virtual  
archaeology.  
2017.  
Disponible  
en: https://icomos.es/wp-  
content/uploads/2020/06/Seville-Principles-IN-ES-FR.pdf  
16.  
17.  
Xing Y, et al. A scoping review of photogrammetry in cultural building heritage.  
Electronics. 2025;14(18):3666. doi: 10.3390/electronics14183666.  
Brůha L, et al. Reconstruction of lost cultural heritage sites and landscapes:  
Context of ancient objects in time and space. ISPRS Int J Geo-Inf. 2020;9(10):604.  
doi: 10.3390/ijgi9100604.  
18.  
19.  
De Fino M, Galantucci RA, Fatiguso F. Condition assessment of heritage buildings  
via photogrammetry: A scoping review from the perspective of decision makers.  
Heritage. 2023;6(11):7031-7066. doi: 10.3390/heritage6110367.  
Vico-García D, Mozas-Calvache AT, et al. Proposal of radiometric correction for the  
in-situ modelling of polychrome religious carvings. Int Arch Photogramm Remote  
Sens Spat Inf Sci. 2025;XLVIII-M-9-2025:1563-1568. doi: 10.5194/isprs-archives-  
XLVIII-M-9-2025-1563-2025.  
20.  
González ER. La reconstrucción virtual aplicada al patrimonio como herramienta  
para la investigación y la divulgación: El ejemplo del sacrificio ritual del patio del  
yacimiento de Casas del Turuñuelo (Guareña, Badajoz, España). Cuad Prehist  
Arqueol Univ Granada. 2024;34:85-114.  
21.  
22.  
Chen Y, Nie Y, Ummenhofer B, Birkl R, Paulitsch M, Nießner M. PBR-SR: Mesh PBR  
texture  
10.48550/arXiv.2506.02846.  
Spennemann DHR. Generative artificial intelligence, human agency and the future  
of cultural heritage. Heritage. 2024;7(7):3597-3609. doi:  
10.3390/heritage7070170.  
super  
resolution  
from  
2D  
image  
priors.  
arXiv.  
2025.  
doi:  
125  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 110-126  
https://doi.org/10.56519/9t660p37  
Agosto 2026  
23.  
Rombach R, Blattmann A, Lorenz D, Esser P, Ommer B. High-resolution image  
synthesis with latent diffusion models. En: Proceedings of the IEEE/CVF  
Conference on Computer Vision and Pattern Recognition (CVPR). 2022. p. 10684-  
10695. doi: 10.1109/CVPR52688.2022.01042.  
24.  
25.  
26.  
27.  
Witte J, Lee E, Brausem L, Shillabeer V, Bonacchi C. Generative AI in heritage  
practice:  
Improving  
the  
accessibility  
of  
heritage  
guidance.  
Heritage.  
2025;8(12):513. doi: 10.3390/heritage8120513.  
Xu J, Yan L, Zhang R, Zhou M. A review of the development and application of  
generative technology in digital museums. npj Herit Sci. 2025;13(1):589. doi:  
10.1038/s40494-025-02164-1.  
Chen G, Tong Y, Wu Y, Wu Y, Liu Z, Huang J. Reconstruction of cultural heritage in  
virtual  
space  
following  
disasters.  
Buildings.  
2025;15(12):2040.  
doi:  
10.3390/buildings15122040.  
Bender EM, Gebru T, McMillan-Major A, Shmitchell S. On the dangers of stochastic  
parrots: Can language models be too big? En: Proceedings of the 2021 ACM  
Conference on Fairness, Accountability, and Transparency (FAccT '21). 2021. p.  
610-623. doi: 10.1145/3442188.3445922.  
28.  
Pineau J, Vincent-Lamarre P, Sinha K, Larivière V, Beygelzimer A, d'Alché-Buc F, Fox  
E, Larochelle H. Improving reproducibility in machine learning research: A report  
from  
the  
NeurIPS  
2019  
reproducibility  
program.  
arXiv.  
2020.  
doi:  
10.48550/arXiv.2003.12206.  
29.  
30.  
Champion EM, editor. Virtual heritage: A guide. London: Ubiquity Press; 2021.  
Pescarin S, Cerato I, Ciortan IM, Città G, Clay A, Spotti S, Sotiropoulou S, Trumpy  
G. Authenticity in the design of digital heritage applications. En: Chromatic Visions.  
Lecture Notes in Computer Science. Vol. 15750. Cham: Springer; 2025. p. 81-127.  
doi: 10.1007/978-3-032-07792-9_3.  
31.  
32.  
Pansoni S, Tiribelli S, Paolanti M, Di Stefano F, Frontoni E, Malinverni ES, Giovanola  
B. Artificial intelligence and cultural heritage: Design and assessment of an ethical  
framework. Int Arch Photogramm Remote Sens Spat Inf Sci. 2023; XLVIII-M-2-  
2023:1149-1155. doi: 10.5194/isprs-archives-XLVIII-M-2-2023-1149-2023.  
Tiribelli S, Pansoni S, Frontoni E, Giovanola B. Ethics of artificial intelligence for  
cultural heritage: Opportunities and challenges. IEEE Trans Technol Soc.  
2024;5(3):293-305. doi: 10.1109/TTS.2024.3432407.  
33.  
34.  
Creswell JW, Poth CN. Qualitative inquiry and research design: Choosing among  
five approaches. 4th ed. Thousand Oaks: SAGE Publications; 2018.  
Münster S, Apollonio FI, Bluemel I, Fallavollita F, Foschi R, Grellert M, Ioannides M,  
Jahn PH, Kurdiovsky R, Kuroczyński P, Lutteroth JE, Messemer H, Schelbert G.  
Scholarly method. En: Handbook of digital 3D reconstruction of historical  
architecture. Cham: Springer; 2024. p. 41-64. doi: 10.1007/978-3-031-43363-4_3.  
McKenney S, Reeves TC. Conducting educational design research. 2nd ed. London:  
Routledge; 2019. doi: 10.4324/9781315105642.  
35.  
126