Este estudio propone un método basado en Redes Generativas Adversarias (GAN) para la sustitución virtual de muebles dentro de escenas interiores. El método propuesto aborda el desafío de posicionar con precisión nuevos muebles en un espacio interior combinando la reconstrucción de imágenes con la coincidencia geométrica a través de la combinación de redes de transformadores espaciales y GAN. El sistema aprovecha arquitecturas de aprendizaje profundo como Mask R-CNN para ejecutar la segmentación de imágenes y generar máscaras, y emplea algoritmos como DeepLabv3+, EdgeConnect y redes ST-GAN para llevar a cabo la sustitución virtual de muebles. Con el sistema propuesto, los compradores de muebles pueden obtener una experiencia de compra virtual, lo que proporciona una forma más sencilla de comprender los efectos estéticos de la reorganización de muebles sin tener que esforzarse en mover físicamente los muebles. El sistema propuesto tiene aplicaciones prácticas en la industria del mobiliario y las prácticas de diseño de interiores, proporcionando una alternativa rentable y eficiente a la sustitución física de muebles. Los resultados indican que el método propuesto logra posicionar con precisión nuevos muebles en escenas interiores con una distorsión o desplazamiento mínimos. El sistema propuesto está limitado a imágenes en 2D de vista frontal de muebles y escenas interiores. El trabajo futuro implicaría la síntesis de escenas en 3D y la expansión del sistema para reemplazar imágenes de muebles fotografiadas desde diferentes ángulos. Esto mejoraría la eficiencia y practicidad del sistema propuesto para la sustitución virtual de muebles en escenas interiores.