Un recetario de visión 3D: datos, paradigmas de aprendizaje y aplicación

Resumen

La visión 3D ha evolucionado rápidamente, impulsada por representaciones de datos, paradigmas de aprendizaje y estrategias de modelado cada vez más diversas. Sin embargo, el campo sigue fragmentado entre representaciones y puntos de referencia, lo que dificulta desarrollar perspectivas unificadas sobre eficiencia, fidelidad y escalabilidad. Este trabajo proporciona una taxonomía centrada en datos de la visión 3D que conecta representaciones geométricas, conjuntos de datos, marcos de aprendizaje y aplicaciones dentro de un único mapa conceptual. Comenzamos analizando las principales representaciones estructurales de datos 3D (nubes de puntos, mallas, vóxeles y gaussianas 3D), junto con sus pipelines de adquisición. Luego examinamos cómo el diseño de conjuntos de datos, la construcción de puntos de referencia y los regímenes de supervisión moldean los avances recientes, abarcando el aprendizaje 3D supervisado en 2D, las representaciones neuronales implícitas y el modelado de mundos 4D. A través de esta lente integradora, clarificamos las relaciones entre representaciones, paradigmas de aprendizaje y tareas posteriores en reconstrucción, generación y modelado de video, ofreciendo una visión consolidada de las tendencias emergentes hacia el equilibrio entre eficiencia y fidelidad, y hacia el fundamento geométrico multimodal.

English

3D vision has rapidly evolved, driven by increasingly diverse data representations, learning paradigms, and modeling strategies. Yet the field remains fragmented across representations and benchmarks, making it difficult to develop unified perspectives on efficiency, fidelity, and scalability. This work provides a data-centric taxonomy of 3D vision that connects geometric representations, datasets, learning frameworks, and applications within a single conceptual map. We begin by analysing the principal structural representations of 3D data--point clouds, meshes, voxels, and 3D Gaussians--along with their acquisition pipelines. We then examine how dataset design, benchmark construction, and supervision regimes shape recent advances, spanning 2D-supervised 3D learning, implicit neural representations, and 4D world modeling. Through this integrative lens, we clarify the relationships among representations, learning paradigms, and downstream tasks in reconstruction, generation, and video modeling, offering a consolidated view of emerging trends toward balancing efficiency and fidelity and toward multimodal geometric grounding.