top of page

video credits

logging in...

Rendering 3D di un cervello formato da tracce di circuito in rame luminose su una scheda madre

Algoritmi di rendering: dal ray tracing a NeRF, Gaussian splatting e diffusione

Mehmet Karaağaç

•

23 ottobre 2025

•

it

Tempo di lettura: 13 minuti

26270 visualizzazioni

Aggiornato il: 30 ottobre 2026


Un algoritmo di rendering è il metodo con cui un programma trasforma una scena, o un insieme di foto, in un'immagine. Gli algoritmi classici, come la rasterizzazione, il ray tracing e il path tracing, calcolano l'immagine a partire da geometria, materiali e luci. I metodi neurali, come NeRF e il 3D Gaussian Splatting, apprendono una scena dalle fotografie. I modelli generativi, come i modelli di diffusione, sintetizzano un'immagine nuova a partire da ciò che hanno appreso da grandi raccolte di immagini. Nel 2026 molti motori di rendering li combinano: un path tracer calcola la luce e una rete addestrata elimina il rumore.

Questa guida è una mappa delle tre famiglie: come funziona ciascuna, quanto costa in tempo e hardware e dove la incontra un architetto, dal denoiser di un motore di rendering a un Gaussian splat di un'area di progetto. Ogni parte è breve e rimanda a una guida più approfondita.

Algoritmi di rendering classici

Gli algoritmi classici simulano, o approssimano, ciò che fa la luce in una scena 3D. Hanno bisogno di un modello con geometria, materiali e luci, e la stessa scena con le stesse impostazioni restituisce la stessa immagine.

Rasterizzazione

La rasterizzazione proietta ogni triangolo di un modello sullo schermo, calcola quali pixel copre e li ombreggia. Una scheda grafica lo fa velocissimamente, ed è per questo che i motori dei videogiochi e gli strumenti di rendering in tempo reale si basano su di essa. Approssima soltanto gli effetti che dipendono dai rimbalzi della luce nella scena, come le ombre morbide, i riflessi e la luce indiretta, quindi i motori in tempo reale aggiungono tecniche apposite o un po' di ray tracing per gestirli.

Ray tracing e path tracing

Il ray tracing segue i raggi dalla camera alla scena e, da ogni superficie colpita, verso le luci e verso le superfici riflettenti o trasparenti. Così ottiene riflessi nitidi, rifrazioni e ombre precise. Il path tracing estende l'idea: per ogni pixel segue molti percorsi di luce casuali mentre rimbalzano da una superficie all'altra e ne fa la media, una soluzione Monte Carlo dell'equazione di rendering. È il metodo di motori di produzione come Cycles di Blender. Il suo punto debole è il rumore: con pochi campioni per pixel l'immagine risulta granulosa, e un'immagine pulita richiede molti campioni. È proprio qui che oggi aiuta il machine learning.

Photon mapping e radiosity

Il photon mapping lavora in due passaggi. Prima lancia fotoni dalle luci e memorizza dove cadono, poi usa quella mappa durante il rendering dalla camera, il che lo rende molto adatto alle caustiche, i disegni luminosi che la luce forma attraversando vetro o acqua. La radiosity, un metodo più antico, calcola come la luce diffusa si scambia tra porzioni delle superfici. Il suo risultato non dipende dalla camera, quindi si calcola una volta e si può vedere da qualsiasi punto. Sono tutti modi per calcolare l'illuminazione globale: la luce indiretta che fa sembrare un interno illuminato e non colpito da un faretto.

Algoritmo

Come calcola l'immagine

Velocità

Uso tipico

Rasterizzazione

Proietta i triangoli sullo schermo e ombreggia i pixel

Tempo reale

Videogiochi, motori in tempo reale, viste di modellazione

Ray tracing

Segue i raggi dalla camera alle superfici e alle luci

Da interattivo a lento, secondo effetti e hardware

Riflessi, rifrazioni, ombre

Path tracing

Fa la media di molti percorsi di luce casuali per pixel

Lento; rumoroso finché i campioni non bastano

Immagini fisse e animazioni di produzione

Photon mapping

Memorizza i fotoni lanciati dalle luci, poi li raccoglie

Lento; due passaggi

Caustiche, vetro, acqua

Radiosity

Scambia luce diffusa tra porzioni delle superfici

Lento da precalcolare, poi veloce da vedere

Interni con luce diffusa, illuminazione precalcolata

Dove il machine learning accelera oggi il rendering

Nei motori di rendering attuali il machine learning quasi mai sostituisce la simulazione della luce. Pulisce, completa o ingrandisce ciò che ha prodotto l'algoritmo classico, così che si debbano calcolare meno campioni, pixel o fotogrammi.

Denoiser AI: OptiX e Open Image Denoise

Un denoiser prende un'immagine rumorosa calcolata con il path tracing e prevede come sarebbe l'immagine pulita. Due tra i più comuni, entrambi reti neurali:

  • NVIDIA OptiX AI-Accelerated Denoiser: si basa su un articolo di NVIDIA Research su un autoencoder ricorrente per la riduzione del rumore e, secondo NVIDIA, è stato addestrato su decine di migliaia di immagini renderizzate da mille scene 3D. Funziona su GPU NVIDIA.

  • Intel Open Image Denoise (OIDN): filtri di riduzione del rumore basati sul deep learning, open source con licenza Apache 2.0 e premiati con un Technical Achievement Award dall'Academy of Motion Picture Arts and Sciences. A ottobre 2026 funziona su CPU e su GPU Intel, NVIDIA, AMD e Apple (openimagedenoise.org).

Cycles di Blender li offre entrambi: il suo manuale indica OpenImageDenoise, "un denoiser AI", e il denoiser AI OptiX di NVIDIA, e osserva che più passaggi di render il denoiser può usare come input, migliore è il risultato. La stessa pagina descrive il path guiding, che apprende le direzioni importanti della luce mentre Cycles esegue il rendering e aiuta, per esempio, quando una stanza riceve luce da una piccola porta.

Upscaling e generazione di fotogrammi: DLSS

NVIDIA descrive il DLSS come una suite di tecnologie di rendering neurale che usa l'AI per aumentare i fotogrammi al secondo, ridurre la latenza e migliorare la qualità dell'immagine. A ottobre 2026 il DLSS 4.5 introduce Dynamic Multi Frame Generation e un modello transformer di seconda generazione per Super Resolution e Ray Reconstruction, e il DLSS 5 aggiunge quello che NVIDIA chiama 3D-Guided Neural Rendering per illuminazione e materiali. Funziona sulle schede grafiche GeForce RTX, nei giochi e nei motori che lo supportano. Il principio: calcolare meno pixel o fotogrammi con l'algoritmo classico e lasciare che una rete addestrata completi il resto.

Per un'immagine fissa finita, l'equivalente è l'upscaling con l'AI, che ingrandisce un'immagine e inventa dettagli plausibili invece di interpolare i pixel. In ArchiVinci un render di qualsiasi programma 3D si può prima migliorare nel modulo Modifica con un'istruzione scritta e, con un piano, il risultato si può ingrandire fino a 4.096 px sul lato lungo; la pagina per migliorare un render con l'AI mostra i passaggi.

Radiance caching neurale e compressione neurale delle texture

Due metodi di NVIDIA Research mostrano il machine learning che entra nella simulazione stessa della luce. Real-time Neural Radiance Caching for Path Tracing (2021) addestra una piccola rete mentre la scena viene renderizzata e la usa come cache della luce nella scena, così un path tracer può seguire pochi rimbalzi e lasciare che la cache copra il resto. Random-Access Neural Compression of Material Textures (SIGGRAPH 2023) comprime insieme le texture di un materiale e le decomprime in tempo reale con una piccola rete ottimizzata per ciascun materiale; gli autori riportano due livelli di dettaglio in più, 16 volte più texel, a bitrate bassi.

Cosa offrono V-Ray, Twinmotion e Blender

Qui i nomi dei prodotti contano, perché alcuni articoli attribuiscono ai motori di rendering funzioni AI che non hanno. A ottobre 2026:

  • V-Ray 7 (Chaos) elenca diversi strumenti AI nella sua pagina delle novità: AI Enhancer, che aggiunge variazioni naturali come usura e sporco a grandi superfici come pavimenti, pareti e terreni; AI Material Generator, ora con texture 4K; AI Mood Match (in anteprima), che adatta l'illuminazione di una scena a una foto di riferimento; la reilluminazione dei Gaussian Splats; e, in V-Ray 7 Update 4, un'integrazione con Veras per ideazione, miglioramento e immagine-video con l'AI.

  • Twinmotion (Epic Games) è un motore in tempo reale basato su Unreal Engine, con un Path tracer per immagini di qualità superiore. Nella documentazione di Epic non abbiamo trovato alcuna funzione di illuminazione o di path tracing assistita dall'AI.

  • Blender usa il machine learning in Cycles per la riduzione del rumore (OpenImageDenoise e OptiX) e apprende le direzioni della luce con il path guiding, come descritto sopra.

Come si confronta un generatore di immagini con un motore di rendering di produzione nel lavoro quotidiano è il tema di ArchiVinci vs V-Ray.

Rappresentazioni neurali della scena

Le rappresentazioni neurali della scena apprendono una scena 3D da fotografie o video invece di farla modellare a mano. Una volta addestrate, mostrano la scena da punti di vista che la camera non ha mai ripreso, ciò che i ricercatori chiamano sintesi di nuove viste. Sono il cuore del rendering neurale.

NeRF (campi di radianza neurali)

NeRF, presentato da Mildenhall, Srinivasan, Tancik, Barron, Ramamoorthi e Ng all'ECCV 2020, memorizza una scena dentro una rete neurale completamente connessa. La rete riceve una coordinata 5D, una posizione (x, y, z) e una direzione di osservazione, e restituisce la densità volumetrica e il colore dipendente dalla vista in quel punto. Per renderizzare un pixel, NeRF campiona alcune centinaia di punti lungo il raggio della camera, interroga la rete in ciascuno e combina le risposte con il volume rendering. Riproduce bene riflessi e luce morbida, ma il metodo originale è lento a renderizzare perché la rete viene eseguita per ogni campione, e si addestra su un insieme di foto della scena scattate da posizioni di camera note.

3D Gaussian Splatting (3DGS)

Il 3D Gaussian Splatting (Kerbl, Kopanas, Leimkühler e Drettakis, SIGGRAPH 2023) apprende anch'esso una scena da più foto o video, ma la memorizza in modo esplicito, come un grande insieme di gaussiane 3D: piccoli ellissoidi sfumati, ognuno con una posizione, una scala e un orientamento (la sua covarianza anisotropa), un'opacità e un colore che dipende dalla vista. L'addestramento parte dai punti sparsi ottenuti durante la calibrazione della camera e aggiunge, rimuove e regola le gaussiane finché i render non corrispondono alle foto. Per mostrare la scena, gli autori hanno creato un proprio renderer veloce e attento alla visibilità, che proietta le gaussiane sullo schermo. Nessuna rete viene eseguita per pixel, e l'articolo riporta una visualizzazione in tempo reale a 100 fotogrammi al secondo o più a 1080p.

Per un architetto gli splat sono un modo per catturare ciò che esiste già: un'area di progetto, una strada, un edificio storico o un interno finito per un annuncio immobiliare. V-Ray 7 può reilluminare i Gaussian Splats perché un elemento catturato si accordi con l'illuminazione di una scena renderizzata.

La differenza chiave rispetto a NeRF sta nel modo di memorizzare la scena: NeRF la nasconde dentro una rete neurale e la esegue per ogni campione di ogni raggio, mentre il 3D Gaussian Splatting conserva gaussiane esplicite e le proietta sullo schermo, ed è per questo che si visualizza in tempo reale ed è più facile da modificare. Nessuno dei due progetta qualcosa: entrambi riproducono un luogo che è stato fotografato. Per il confronto completo, con una tabella, vedi NeRF e Gaussian splatting a confronto nella nostra guida a NeRF.

Funzioni di distanza con segno e reti di occupazione

Due metodi affini descrivono la forma invece dell'aspetto. Una funzione di distanza con segno (SDF) restituisce, per qualsiasi punto, la sua distanza dalla superficie più vicina, negativa dentro l'oggetto e positiva fuori; DeepSDF (Park et al., 2019) apprende questa funzione con una rete. Una rete di occupazione (Mescheder et al., 2018) restituisce la probabilità che un punto si trovi dentro l'oggetto. Entrambe definiscono la superficie in modo continuo, e un algoritmo come marching cubes la trasforma in una mesh. Servono più a ricostruire forme da scansioni e a modellare che a produrre immagini fotorealistiche.

Modelli generativi: un'altra strada verso l'immagine finale

I modelli generativi non simulano affatto la luce in una scena. Apprendono da enormi raccolte di immagini come sono fatte le immagini e ne sintetizzano una nuova, guidati da un testo, uno schizzo o una vista caricata. A rigore si tratta di sintesi di immagini e non di rendering, ma per gli architetti è diventata una seconda strada per passare da un progetto a un'immagine dall'aspetto finito; la guida CGI e AI mette a confronto le due strade.

Modelli di diffusione

I modelli di diffusione partono da rumore casuale e lo eliminano passo dopo passo finché non appare un'immagine, guidati dal prompt o da un altro input. La diffusione latente (Rombach et al., dicembre 2021) l'ha resa pratica lavorando in uno spazio latente compresso invece che sui pixel, con una U-Net incaricata di togliere il rumore; è la base di Stable Diffusion. I modelli più recenti sono passati ai transformer: i Diffusion Transformers (DiT, Peebles e Xie, dicembre 2022) e Stable Diffusion 3, basato su transformer a flusso rettificato (Esser et al., marzo 2024).

GAN

Le GAN, reti generative avversarie (Goodfellow et al., 2014), addestrano due reti l'una contro l'altra: un generatore che crea immagini e un discriminatore che cerca di distinguerle da quelle reali. StyleGAN (Karras, Laine e Aila, NVIDIA, dicembre 2018) ha fissato un nuovo standard per la generazione di immagini controllabile e di alta qualità. Da allora i modelli di diffusione e i transformer si sono presi la maggior parte della generazione di immagini.

Modelli video

Le stesse idee si estendono alle immagini in movimento. A ottobre 2026 Stable Video Diffusion di Stability AI (novembre 2023) genera 14 o 25 fotogrammi a frequenze tra 3 e 30 al secondo, il modello attuale di Runway è Gen-4.5 e Pika offre Pika 2.5. In ArchiVinci il modulo Video anima un render fisso e usa i coin, inclusi in ogni piano; la pagina per trasformare un render in video con l'AI mostra degli esempi.

Dove si colloca ArchiVinci

ArchiVinci non traccia la luce attraverso una scena 3D. Il suo motore predefinito, ArchiVinci 4.0, prende come riferimento l'immagine che carichi (una vista di un modello 3D, uno schizzo o una foto) e genera un'immagine nuova che la segue, in pochi secondi. Il modulo Imagine lavora solo da una descrizione scritta (in inglese). ArchiVinci 4.0 mantiene la prospettiva e la geometria della tua immagine, e ogni generazione crea una nuova variante, quindi rigenera per un'altra opzione o rifinisci un dettaglio nel modulo Modifica; usare i risultati per clienti o marketing richiede un piano attivo. La pagina dei render AI mostra altri esempi.

Casa a due piani senza materiali, tutta bianca, e il suo render AI: pareti bianche, legno al piano superiore, tetto scuro e prato.

Realizzato nel modulo Esterni di ArchiVinci con il motore predefinito (ArchiVinci 4.0). A sinistra: l'immagine caricata, un'immagine generata di una casa senza materiali. A destra: il risultato del prompt "Modern house with white plaster walls, timber cladding on the upper floor, large glass openings, a lawn and a few trees." con il pulsante Luce diurna.


Guarda un render AI del tuo progetto

Nessun motore di rendering da configurare: carica una vista del tuo progetto, scrivi cosa vuoi vedere e ottieni un render fotorealistico che segue la tua immagine. Un nuovo account parte con 3 crediti gratuiti.

Renderizza il tuo progetto con l'AI


Quale algoritmo di rendering scegliere per ogni compito di architettura

Compito

Famiglia di algoritmi

Dove lo incontri

Accompagnare il cliente dal vivo dentro il modello

Rasterizzazione, con un po' di ray tracing

Motori in tempo reale e motori di videogiochi

Immagini finali di marketing con luce accurata

Path tracing più un denoiser AI

Motori di produzione come V-Ray o Cycles di Blender con OIDN o OptiX

Vetro, acqua e caustiche

Photon mapping, o path tracing con supporto delle caustiche

Motori di produzione

Catturare in 3D un'area, una strada o un interno esistenti

3D Gaussian Splatting, o NeRF

Splat realizzati da foto o video da drone

Più fotogrammi al secondo in un tour in tempo reale

Upscaling neurale e generazione di fotogrammi

DLSS sulle schede grafiche GeForce RTX

Una stampa più grande di un'immagine finita

Upscaling con l'AI

Upscaler; per i risultati di ArchiVinci, Upscale con un piano, fino a 4.096 px sul lato lungo

Immagini di concept da uno schizzo, una vista del modello o una frase, in pochi secondi

Modelli generativi di immagini

ArchiVinci e altri generatori di immagini AI

Direzioni di ricerca

Il rendering differenziabile permette all'errore tra un'immagine renderizzata e un'immagine obiettivo di tornare indietro attraverso il motore, così che geometria, materiali o illuminazione si possano regolare finché il render non corrisponde. È così che si addestrano NeRF e il 3D Gaussian Splatting, e la ricerca lo usa anche per ricavare materiali e illuminazione dalle fotografie.

Il 3D generativo è la domanda aperta: modelli che producono intere scene 3D, e non singole immagini, da testo o immagini. Oggi la divisione pratica resta quella descritta in questa guida: algoritmi classici per la luce fisicamente basata, rappresentazioni neurali per catturare ciò che esiste e modelli generativi per ottenere in fretta immagini di ciò che non esiste ancora.


Provalo in ArchiVinci

Descrivi un edificio in una frase, oppure carica uno schizzo o una vista del modello 3D: ArchiVinci genera immagini di concept che lo seguono. Un nuovo account parte con 3 crediti gratuiti.

Domande frequenti


Cos'è un algoritmo di rendering?

È il metodo con cui un programma trasforma una scena 3D, o un insieme di foto, in un'immagine. Rasterizzazione, ray tracing, path tracing, photon mapping e radiosity calcolano l'immagine a partire da geometria e luce; NeRF e il 3D Gaussian Splatting apprendono una scena dalle foto; i modelli di diffusione generano un'immagine nuova a partire da esempi appresi.

Che differenza c'è tra rasterizzazione e ray tracing?

La rasterizzazione proietta i triangoli del modello sullo schermo e ombreggia i pixel che coprono: è molto veloce ma approssima soltanto riflessi, ombre e luce indiretta. Il ray tracing segue i raggi di luce attraverso la scena: è più lento ma gestisce quegli effetti in modo fisico. I motori in tempo reale spesso combinano i due.

I motori di rendering usano già il machine learning?

Sì, soprattutto per togliere il rumore e completare i pixel. Cycles di Blender usa i denoiser AI OpenImageDenoise e OptiX, il DLSS genera pixel e fotogrammi sulle schede GeForce RTX e, a ottobre 2026, V-Ray 7 aggiunge strumenti come AI Enhancer e AI Material Generator. La luce in sé la calcolano ancora gli algoritmi classici.

Un modello di diffusione è un algoritmo di rendering?

Non nel senso classico. Un modello di diffusione non simula la luce in una scena 3D; sintetizza un'immagine a partire da ciò che ha appreso, guidato da un testo, uno schizzo o una vista caricata. Per gli architetti è una strada alternativa verso un'immagine dall'aspetto finito, veloce ma senza una simulazione fisica della luce.

Il machine learning sostituirà il ray tracing?

Non a breve. Le reti di oggi rendono più economici il ray tracing e il path tracing: tolgono il rumore, ingrandiscono e memorizzano la luce in cache. I modelli generativi sostituiscono il motore di rendering solo dove un'immagine convincente conta più di una calcolata fisicamente, come nei primi concept di progetto.

bottom of page