Le prototypage virtuel d’apparences iso-photographique et en temps réel pour l’industrie est un enjeu majeur de notre décennie. Afin d’obtenir une apparence la plus fiable possible, il est important de considérer l’ensemble des phénomènes lumineux (métamérisme, polarisation, dispersion de la lumière, etc.) où leurs intégrations sont couteuses en temps de calcule rendant difficile l’accès au temps réel. Pour réaliser ce type de prototypage, il existe de nombreuses ébauches de solutions de moteur de rendu, mais souvent imparfaites. Par exemple, elles favorisent la rapidité au détriment des phénomènes physiques avec notamment les méthodes basées sur du rendu RGB. À l’inverse, elles maximisent l’intégration de l’ensemble des phénomènes lumineux complexes en sacrifiant la rapidité avec des solutions basées sur du rendu spectral, tout en conservant une apparence iso-photographique. À l’instar des approches RGB, le rendu spectral peut être accéléré et profiter de, l’évolution des nouvelles architectures matérielle de GPUs. Il est également envisageable d’employer des solutions de type HPC (supercalculateurs, serveurs de rendu dédiés, etc.). D’autres méthodes recherchent l’intégration des méthodes de Deep Learning dans le moteur de rendu spectral permettant d’approximer l’image finale en favorisant le temps réel, tout en considérant les différents phénomènes lumineux. Pour cette dernière approche, il existe déjà des solutions prêtes à l’emploi basé sur le domaine RGB (OptiX, OIDN), mais, il n’existe cependant que peu de solutions dans la littérature pour optimiser leur intégration dans un moteur de rendu spectral et aucune qui opère dans le domaine spectral. Nous proposons d’étudier dans un premier temps l’impact des évolutions matérielles sur les temps de génération d’une image spectrale, puis dans un second temps de présenter la complexité d’intégrer du Deep Learning à travers l’étude des solutions prêtes à l’emploi et notre première approche opérant directement dans le domaine spectral.