
¿Qué es el denoising? Cómo los denoisers limpian los renders con path tracing
Resumen
Introducción
¿Qué es el denoising? En el renderizado 3D, el denoising es un paso de filtrado que elimina el grano que presenta una imagen con path tracing cuando se renderizó con muy pocas muestras para converger. Un denoiser analiza los píxeles ruidosos, normalmente junto con datos adicionales del motor de renderizado, y estima cómo se habría visto cada píxel si el render hubiera seguido muestreando. Bien aplicado, permite detener un fotograma con una fracción de las muestras y aun así entregar una imagen limpia. Mal aplicado, difumina la textura, inventa artefactos y hace que una animación parpadee.
Esta guía explica por qué los renders con path tracing tienen ruido, qué hace un denoiser con los buffers que lo guían, qué denoisers encontrará, la aritmética de cambiar muestras por un paso de denoising y sus límites. No recorre la configuración de variance AOV de Arnold, que se trata en How to Denoise AOVs Effectively. Cómo traza la luz un path tracer se explica en Ray Tracing vs Path Tracing.
Por qué un render con path tracing tiene ruido
Un path tracer construye cada píxel lanzando trayectorias de luz aleatorias desde la cámara y promediando lo que encuentran. Una trayectoria puede dar directamente con una luz; otra puede rebotar dos veces y encontrar solo un rincón oscuro. Con pocas trayectorias por píxel, ese promedio oscila en torno a la respuesta real, y esa oscilación es el grano que se ve. En estadística se llama varianza, y el método es la integración de Monte Carlo.
El error disminuye lentamente, aproximadamente con la raíz cuadrada del número de muestras, así que reducir el ruido a la mitad requiere cerca de cuatro veces más muestras. Nuestra guía Ray Tracing vs Path Tracing muestra el aspecto con 16, 64, 256 y 1.024 muestras por píxel.
El ruido no se reparte de forma uniforme. Se concentra donde la luz es difícil de encontrar: sombras suaves, luz indirecta, reflejos brillantes, vidrio, volúmenes. Esto importa más adelante, porque un denoiser debe decidir píxel a píxel si un punto brillante es ruido o un rasgo real. Y por la ley de la raíz cuadrada, el último pequeño porcentaje de limpieza es la parte más costosa de un render. El denoising ataca ese tramo final: se detiene antes y se filtra el resto.
Qué hace un denoiser
Un denoiser recibe una imagen ruidosa y devuelve una estimación más limpia de aquello hacia lo que convergería cada píxel. La forma ingenua es promediar cada píxel con sus vecinos, que es un desenfoque. Un desenfoque elimina ruido y detalle a la vez, de modo que un patrón de tablero, el borde nítido de una sombra o un mechón de pelo se disuelven tan rápido como el grano.
El verdadero trabajo consiste en distinguir ruido de señal, y dos grandes familias lo hacen de modo distinto.
Los filtros algorítmicos usan reglas diseñadas a mano, ponderando a los vecinos según su similitud y cercanía. Altus, uno de los tres denoisers de Redshift, se describe en la documentación de Redshift de Maxon (consultada el 19 de noviembre de 2026) como basado en métodos tradicionales y no en aprendizaje profundo.
Los denoisers con aprendizaje son redes neuronales entrenadas con renders ruidosos y renders convergidos. NVIDIA indica que su denoiser OptiX se entrenó con decenas de miles de imágenes renderizadas a partir de mil escenas 3D (NVIDIA OptiX denoiser, consultado el 19 de noviembre de 2026), y Maxon dice lo mismo de OptiX y de Intel Open Image Denoise: modelos de aprendizaje profundo entrenados con decenas de miles de imágenes. Una red entrenada ha visto cómo es el ruido junto a la estructura real, por lo que puede conservar bordes que un desenfoque borraría. También puede equivocarse de maneras en que un filtro algorítmico no lo hace.
Intel describe Open Image Denoise como una biblioteca de código abierto de filtros de denoising para imágenes con ray tracing, cuyos filtros manejan desde recuentos de muestras muy bajos hasta imágenes casi convergidas (Open Image Denoise, consultado el 19 de noviembre de 2026). Ese es el sentido del denoising: se le entrega un fotograma ruidoso, pero no perdido.
Qué recibe un denoiser: beauty ruidoso, albedo y normal
Un motor de renderizado sabe cosas que una cámara nunca sabría: el color de cada superficie antes de la iluminación, llamado albedo, y hacia dónde mira cada superficie, la normal. Ambos pueden producirse con poco ruido o sin él. Son guías ideales, porque donde el albedo cambia bruscamente hay un borde real de textura, y donde la normal gira hay un cambio real de forma.
La página de Intel indica que Open Image Denoise puede trabajar solo con la imagen beauty ruidosa o usar buffers de características auxiliares, como albedo y normal, para conservar más detalle. Cycles expone la misma idea: el ajuste Passes ofrece solo color, albedo, o albedo más normal, y el manual recomienda al menos albedo porque el denoising solo con color puede difuminar detalles (manual de Blender 5.3, muestreo de Cycles, consultado el 19 de noviembre de 2026).
Diagrama de lo que recibe un denoiser: una imagen ruidosa con 2 muestras por píxel, un buffer de albedo sin ruido y un buffer de normales sin ruido entran en el denoiser, que produce una imagen más limpia
El diagrama se hizo con un filtro deliberadamente sencillo sobre una escena de juguete: una esfera sobre un suelo de tablero, renderizada con un script de Monte Carlo a 2 muestras por píxel. Los buffers indican al filtro dónde están los bordes del tablero y dónde gira la esfera, de modo que promedia solo entre píxeles que coinciden. Observe lo que no puede ver: la sombra suave no aparece en ninguno de los dos buffers, por lo que se suaviza más que los bordes del tablero. Los denoisers de producción son mucho más capaces, pero el detalle que los buffers de características no muestran sigue siendo más fácil de perder, así que los bordes de sombra y los reflejos son lo primero que conviene revisar.
Los principales denoisers
| Denoiser | Enfoque | Se ejecuta en | Dónde se encuentra |
|---|---|---|---|
| Intel Open Image Denoise (OIDN) | Filtros de aprendizaje profundo, código abierto bajo Apache 2.0 | CPU (Intel 64 con SSE4.1, ARM64 incluido Apple silicon) y GPU de Intel, NVIDIA (Turing y posteriores), AMD (RDNA 2 y posteriores) y Apple (M1 y posteriores) | Cycles, Redshift y Arnold lo ofrecen como opción |
| NVIDIA OptiX AI-accelerated denoiser | Modelo de aprendizaje profundo, puede usar Tensor Cores | Solo GPU NVIDIA | Cycles, Redshift y Arnold; NVIDIA también menciona Houdini y Thea Render |
| Altus | Filtro algorítmico, no una red neuronal | Todo el hardware | Solo Redshift |
La columna de hardware procede de las páginas de Intel y Maxon consultadas el 19 de noviembre de 2026 y cambia con cada versión, así que consulte la página del fabricante antes de planificar en torno a una tarjeta. V-Ray y Corona incluyen sus propios denoisers, con sus propios ajustes, y Arnold ofrece tanto OIDN como OptiX como opciones de denoiser; para los detalles de Arnold, use la guía del denoiser de Arnold.
Cuál es mejor depende del trabajo. El manual de Blender indica que OpenImageDenoise suele ofrecer la mayor calidad, mientras que OptiX solo está disponible en GPU NVIDIA y admite aceleración en algunas tarjetas más antiguas donde OpenImageDenoise no. En Redshift, Altus funciona solo en bucket rendering, mientras que OptiX y OIDN funcionan en modo bucket y en modo progresivo. En la práctica, la elección suele reducirse a tres preguntas: si hay una GPU NVIDIA, si el motor ofrece el denoiser que se quiere y si se hace denoising de imágenes fijas o de una secuencia.
El intercambio: menos muestras más un paso de denoising
Tomemos un fotograma hipotético que se ve limpio con 1.024 muestras por píxel y tarda 40 minutos. El tiempo de render escala aproximadamente con las muestras, así que 256 muestras tardan unos 10 minutos. Se han dividido las muestras entre cuatro, por lo que el ruido es aproximadamente el doble, y eso es lo que el denoiser debe eliminar.
Gráfico de barras de un ejemplo hipotético: 40 minutos por fotograma con 1.024 muestras sin denoiser frente a 10 minutos por fotograma más un pequeño paso de denoising con 256 muestras, que en 240 fotogramas son 160 horas-máquina frente a 40 horas-máquina más el denoising
Un plano de 10 segundos a 24 fps son 240 fotogramas: 160 horas-máquina a 40 minutos cada uno, o 40 horas-máquina más el paso de denoising a 10. Las cifras son inventadas para mostrar la proporción y su escena será distinta, pero la forma es general: el costo del muestreo crece con cada duplicación, mientras que un paso de denoising es una adición comparativamente pequeña.
Pequeña no significa gratuita. La ayuda de Redshift de Maxon indica que OptiX y OIDN pueden ejecutarse después de cada pasada progresiva o bucket según un ajuste de denoise overhead, donde cero hace el denoising una sola vez, al final. Añade que Altus tarda varios segundos por denoising y, en modo Dual Pass, renderiza primero el fotograma dos veces. Mida el paso en su propia escena.
El denoising también se combina con otros ahorros. El Noise Threshold de Cycles detiene el muestreo de las zonas que ya están suficientemente limpias, con valores típicos entre 0,1 y 0,001 según el manual, y el denoiser limpia lo que queda. La lista más amplia de factores que determinan el tiempo de render está en nuestra guía de optimización del tiempo de render.
Una regla se mantiene siempre. La página de Redshift de Maxon califica el denoising de no ser una solución mágica y lo describe como más útil en el último pequeño porcentaje de ruido. Un denoiser reduce las muestras que se necesitan. No las sustituye.
Dónde falla el denoising
Todo denoiser cambia ruido por riesgo, y cada fallo tiene una solución distinta.
Pérdida de detalle fino. Maxon incluye entre los modos de fallo el suavizado excesivo que pierde textura y pequeños detalles geométricos. La trama de las telas, el pelo, los cables finos y el texto pequeño son las víctimas habituales.
Artefactos pictóricos. La misma página describe artefactos que parecen pinceladas, señal de que el filtro ha inventado estructura a partir de ruido que no supo clasificar.
Ruido desconocido. OptiX y OIDN pueden no detectar patrones de ruido ausentes de sus datos de entrenamiento, de modo que los materiales inusuales, los volúmenes densos o una profundidad de campo extrema pueden quedar sin limpiar o difuminados.
Residuos en lugar de grano. Maxon advierte de que en las animaciones el ruido restante puede aparecer como manchas parpadeantes que pueden distraer más que el ruido original.
La mayoría de estos problemas disminuyen al aumentar el número de muestras, porque una entrada más limpia deja menos por adivinar. El método práctico consiste en encontrar el menor número de muestras con el que el resultado tras el denoising supera la inspección al 100%, y luego añadir un margen.
Animación: parpadeo y denoising temporal
Una imagen fija se procesa una sola vez. Una animación se procesa fotograma tras fotograma, y cada fotograma tiene su propio ruido aleatorio. Aunque la escena apenas se mueva, el denoiser recibe una entrada distinta en cada fotograma y puede devolver una respuesta ligeramente distinta. Eso se percibe como un centelleo en zonas que deberían ser estables.
Tres fotogramas consecutivos de la misma escena estática renderizados con ruido distinto, sus resultados tras el denoising y una imagen de diferencia amplificada entre dos fotogramas con denoising que muestra el parpadeo entre fotogramas
La figura lo muestra con el mismo filtro de juguete. La escena es estática, así que un denoiser perfecto devolvería fotogramas idénticos y la imagen de diferencia sería negra. No lo es, porque el ruido de cada fotograma llevó al filtro a una respuesta ligeramente distinta. Los denoisers de producción lo hacen mucho mejor, pero el principio es el mismo.
Dos cosas lo reducen. Una entrada con menos ruido cambia menos de un fotograma a otro, de modo que más muestras ayudan. Y el patrón de ruido puede mantenerse fijo: la ayuda de Redshift de Maxon recomienda desactivar Randomize Pattern on Each Frame para que el ruido quede fijado a la cámara. La página de Cycles sugiere, en apariencia lo contrario, usar Use Animated Seed en las animaciones, porque un patrón variable se nota menos. Nuestra lectura es que resuelven problemas distintos: el consejo de Cycles oculta el grano bruto cuando no se hace denoising, y el de Redshift estabiliza la entrada del denoiser cuando sí se hace.
La respuesta más completa es el denoising temporal, en el que el filtro también observa los fotogramas vecinos. La página de OptiX de NVIDIA indica que su denoiser se basa en investigación de NVIDIA sobre la reconstrucción de secuencias de imágenes de Monte Carlo. Si un motor concreto ofrece un modo temporal es una cuestión que debe consultarse en su documentación. Pruebe antes de dar nada por supuesto. Renderice entre 10 y 20 fotogramas consecutivos de su plano más difícil con el número de muestras previsto y obsérvelos en movimiento: un parpadeo invisible en un solo fotograma suele ser evidente en la reproducción.
Pases de denoising y AOV
Los compositores dividen un render en pases, llamados AOV, para ajustar por separado reflejos, iluminación y sombras. Si aplica denoising al beauty pero no a los pases, o al revés, dejan de sumar correctamente y aparecen costuras o cambios de color. Decida un único enfoque por proyecto. Nuestra guía What Are AOVs in Rendering trata los pases y los archivos multicapa.
Si aplica el denoising después de renderizar en lugar de durante el render, los buffers de albedo y normal deben guardarse con cada fotograma, con la misma resolución y desde la misma cámara; de lo contrario, el denoiser pierde sus guías.
Denoising en una render farm
Una render farm renderiza cada fotograma como una tarea independiente en su propia máquina. Eso favorece el denoising en el momento del render, que no necesita nada de otros fotogramas, y favorece menos el denoising temporal, porque un pase que lee fotogramas vecinos necesita la secuencia completa y normalmente se ejecuta cuando los fotogramas ya han vuelto.
El hardware importa. OptiX necesita una GPU NVIDIA, mientras que OIDN también se ejecuta en CPU. El manual de Blender añade que el denoising en GPU es considerablemente más rápido que en CPU pero necesita memoria de GPU adicional, y sugiere desactivarlo en escenas grandes que se quedan sin memoria. En un nodo GPU de Super Renders Farm, cada una de las dos tarjetas RTX 5090 tiene 32 GB y las dos no se agrupan, así que un denoiser en GPU comparte los 32 GB de una tarjeta con la escena. En una escena pesada, compruebe el margen disponible antes de un trabajo largo.
El denoiser es un ajuste de render, así que revíselo junto con el número de muestras y las rutas de salida. Renderice un fotograma representativo con los ajustes finales en el tipo de máquina que planea usar e inspecciónelo al 100%. El tiempo de CPU y de GPU se facturan con bases distintas, por lo que un render de CPU con muchas muestras y un render de GPU asistido por denoising son presupuestos distintos; la página de precios explica cómo se factura cada uno.
Denoising en fotos y vídeo frente a renders
Los resultados de búsqueda sobre denoising están llenos de herramientas de foto y vídeo. Un denoiser de fotos solo tiene la imagen y debe adivinar qué es ruido del sensor y qué es detalle. Un denoiser de render se ocupa del ruido de Monte Carlo y se le pueden entregar guías sin ruido. El objetivo es el mismo, pero el ruido y los modos de fallo difieren, así que los ajustes no se transfieren.
FAQ
Q: ¿Qué es el denoising en el renderizado 3D? A: El denoising es un paso de filtrado que elimina el grano de una imagen con path tracing renderizada con muy pocas muestras. Un denoiser estima cómo se vería cada píxel si el render hubiera seguido muestreando, a menudo usando buffers de albedo y normal sin ruido para proteger bordes y texturas. No es un desenfoque, que elimina ruido y detalle a la vez.
Q: ¿El denoising reduce el tiempo de render? A: Normalmente sí. Dividir las muestras entre cuatro divide aproximadamente por cuatro el tiempo de render a costa de cerca del doble de ruido, y el denoiser elimina gran parte de él con un paso adicional comparativamente pequeño. Un fotograma que es casi todo ruido no se salvará, y el paso de denoising consume un tiempo que conviene medir.
Q: ¿Cuál es la diferencia entre OptiX y Open Image Denoise? A: Ambos son denoisers con aprendizaje, pero OptiX solo funciona en GPU NVIDIA, mientras que Open Image Denoise de Intel es de código abierto y funciona en CPU y en GPU de Intel, NVIDIA, AMD y Apple. El manual de Blender indica que Open Image Denoise suele dar la mayor calidad y que OptiX cubre algunas GPU NVIDIA más antiguas que este no cubre.
Q: ¿Por qué el denoising hace parpadear una animación? A: Cada fotograma tiene un ruido aleatorio distinto, así que un denoiser que trata los fotogramas de uno en uno puede devolver resultados ligeramente distintos en fotogramas consecutivos. Un mayor número de muestras, un patrón de ruido fijo cuando el motor lo ofrece y el denoising temporal cuando está disponible lo reducen. Pruebe una secuencia corta en movimiento.
Q: ¿Para qué sirven los buffers de albedo y normal en el denoising? A: Son guías sin ruido. El albedo muestra dónde cambia el color de la superficie y la normal muestra dónde cambia la forma, de modo que el denoiser puede distinguir un borde real de una mota de ruido. El manual de Blender recomienda al menos albedo, porque el denoising solo a partir del color puede difuminar detalles.
Q: ¿Cuántas muestras necesito antes del denoising? A: No existe un número universal, porque el ruido depende de la iluminación, los materiales y el movimiento. Intel indica que sus filtros manejan desde recuentos de muestras muy bajos hasta imágenes casi convergidas, pero la calidad varía. Renderice fotogramas de prueba con números de muestras decrecientes, encuentre el más bajo que supere la inspección al 100% y añada un margen.
About Alice Harper
Blender and V-Ray specialist. Passionate about optimizing render workflows, sharing tips, and educating the 3D community to achieve photorealistic results faster.



