La fotografía computacional usa software (fusión multifotograma, IA, estimación de profundidad) para mejorar la calidad de imagen más allá de lo que la óptica y el sensor por sí solos pueden captar.
La fotografía computacional aprovecha la IA, el machine learning y el procesado de señal para sintetizar imágenes que superan los límites del hardware óptico. En lugar de depender solo de la calidad de la óptica y la sensibilidad del sensor, las técnicas computacionales combinan datos de varias exposiciones, fotogramas y sensores para reconstruir detalle, reducir ruido, ampliar el rango dinámico y corregir aberraciones ópticas. La revolución de las cámaras de móvil (la imagen superior del iPhone frente a sensores mayores) la impulsa en gran medida la computación, no solo el hardware.
**Cómo funcionan las técnicas computacionales:** La fusión HDR capta 3–9 exposiciones a velocidades distintas y las fusiona: las exposiciones oscuras preservan las altas luces, las claras recuperan las sombras. El algoritmo alinea los fotogramas (teniendo en cuenta la vibración), mezcla selectivamente los píxeles y hace el tone-mapping. El modo noche apila 5–15 exposiciones largas, las alinea píxel a píxel y las promedia para reducir ruido. El modo retrato usa un sensor de profundidad o visión estéreo (dos cámaras) para estimar la profundidad 3D, y luego enmascara el sujeto y desenfoca el fondo. El zoom de superresolución fusiona varios fotogramas y usa escalado por IA para recuperar detalle a 5–10× zoom. El borrado de objetos (goma mágica) reconstruye la zona seleccionada con los píxeles circundantes y modelos generativos. Estas técnicas corren en aceleradores de ML dedicados (Apple Neural Engine, Google Tensor, NPU de Samsung).
**Por qué importa la fotografía computacional al comprar:** Una cámara de móvil de 12 MP con procesado computacional avanzado supera a una de 48 MP de entrada con poco procesado, porque los algoritmos recuperan la información perdida por los límites del hardware. El rendimiento con poca luz ha mejorado 5–10× en los últimos 5 años, sobre todo por mejor apilado y reducción de ruido, no por el tamaño del sensor. El modo retrato por software es ya casi indistinguible del bokeh óptico. Real Tone (optimización de tonos de piel de Google) corrige un sesgo sistémico. Por eso los insignia compiten sobre todo en destreza computacional, no en megapíxeles.
**Qué mirar / errores comunes:** - La fotografía computacional es una carrera: cada generación insignia añade algoritmos más complejos (Google Pixel a la cabeza con funciones exclusivas del Tensor) - Compromiso del modo noche: mayor tiempo de procesado (1–3 s) vs captura instantánea en móviles antiguos - Calidad del modo retrato variable: un sensor de profundidad real (Pixel, iPhone Pro) mejor que la pseudoprofundidad (bordes estimados por IA) en la gama de entrada - El borrado de objetos es irregular en fondos complejos; los objetos simples y bien definidos se borran limpiamente - Cuestión de privacidad: algunos procesos enviaban las imágenes a la nube (raro hoy); verifica el procesado local
Ejemplos reales 2026: Google Pixel 9 Pro (imagen computacional dominante, el sensor más pequeño pero competitivo), iPhone 15 Pro (Deep Fusion fusiona 9 imágenes), Galaxy S24 Ultra (Scene Optimizer por escena). Las funciones computacionales llegan cada vez más por actualizaciones de software.