La representación tridimensional de escenas dinámicas mediante técnicas de aprendizaje profundo ha avanzado considerablemente en los últimos años. Una de las aproximaciones más prometedoras es el 3D Gaussian Splatting, que modela objetos y entornos como una nube de elipsoides gaussianos. Sin embargo, cuando la escena contiene movimiento —por ejemplo, un cuerpo humano articulado o un animal en desplazamiento— surge la necesidad de deformar esos elipsoides a lo largo del tiempo. Hasta ahora, los métodos más comunes utilizaban un Multi-Layer Perceptron (MLP) que, aunque capaz de predecir desplazamientos por fotograma, carece de una dependencia temporal continua. La predicción se realiza de forma discreta, y la suavidad del movimiento solo aparece como subproducto de la optimización, no como una propiedad arquitectónica.

Investigadores han propuesto reemplazar ese MLP por un bloque de celdas CfC (Closed-form Continuous-time), que pertenecen a la familia de las Redes Neuronales Líquidas (Liquid Neural Networks). Estas celdas resuelven de forma cerrada una ecuación diferencial ordinaria, introduciendo una compuerta temporal sigmoidea que interpola entre dos estados ocultos candidatos. El resultado es una función explícita y suave del instante t, en lugar de predicciones discretas. Esta modificación se integra sin alterar el resto del pipeline de D-3DGS (Deformable 3D Gaussian Splatting). En las pruebas con los conjuntos de datos D-NeRF y NeRF-DS, el campo líquido iguala o supera al MLP original, especialmente en escenas con movimientos articulados de alta frecuencia, donde las mejoras son más notables.

Este avance tiene implicaciones directas para la industria del software a medida y las plataformas que procesan vídeo monocular en tiempo real. Por ejemplo, aplicaciones de realidad virtual, simulaciones biomecánicas o sistemas de captura de movimiento pueden beneficiarse de modelos más precisos sin aumentar la carga computacional. En Q2BSTUDIO, entendemos que la inteligencia artificial para empresas debe ir más allá de los experimentos de laboratorio: las soluciones han de integrarse en entornos productivos, con aplicaciones a medida que resuelvan problemas reales. Nuestro equipo desarrolla arquitecturas que combinan técnicas de vanguardia como las redes líquidas con plataformas robustas sobre servicios cloud AWS y Azure, garantizando escalabilidad y baja latencia.

Además de la representación 3D dinámica, la ciberseguridad y la inteligencia de negocio son pilares en cualquier despliegue empresarial. Cuando una empresa necesita procesar grandes volúmenes de datos visuales —por ejemplo, en videovigilancia o control de calidad—, la seguridad de la información y la capacidad de analizar métricas con herramientas como Power BI se vuelven esenciales. Ofrecemos software a medida que integra estos componentes de forma nativa, y también diseñamos agentes IA capaces de tomar decisiones autónomas basadas en modelos de deformación continua, una evolución natural de las redes líquidas aplicadas a entornos industriales.

En definitiva, la transición de un campo de deformación discreto a uno continuo con Liquid Neural Networks no solo mejora la calidad del modelado dinámico, sino que abre la puerta a servicios inteligencia de negocio más precisos y a sistemas de simulación que requieren coherencia temporal. En Q2BSTUDIO combinamos estas innovaciones con una visión práctica: crear tecnología que se adapte al flujo de trabajo de cada cliente, ya sea mediante aplicaciones a medida, infraestructura en la nube o soluciones de IA llave en mano.