Не могу привести числовые параметры, доказывающие верность одного или другого подхода.
Рендерить 3D -- надо иметь толстую видеокарту.
Заранее отрендерить картинки для 2D и масштабировать их -- затраты совместимы, пусть меньше вычислительная нагрузка, но больше требования к памяти.
Я бы иначе вопрос ставил. Это касается отображения городов -- именно там наибольшая изменчивость. Практически (а может быть, и просто) для каждого набора зданий в городе будет уникальная картинка. Для 8 зданий, которые появляются независимо, имеем 256 образов высокого разрешения для 2D или 256 моделей для 3D. Это реально нужно? Кто-то получает информацию о наборе зданий, глядя только на 2/3D-картинку?