top of page

video credits

logging in...

Illustrazione fatta con l'AI di un flusso NeRF: pose della camera e raggi campionati su un isolato di edifici illuminati, un modello NeRF e nuove viste

Cos'è un Neural Radiance Field (NeRF)? Come funziona e le differenze con il Gaussian splatting

Mehmet Karaağaç

•

26 febbraio 2026

•

it

Tempo di lettura: 9 minuti

8597 visualizzazioni

Aggiornato il: 30 ottobre 2026

Un Neural Radiance Field (NeRF), in italiano campo di radianza neurale, è un modo per trasformare una serie di normali foto di una scena reale in una scena 3D che si può guardare da angolazioni nuove. Una rete neurale impara, da foto scattate da posizioni della camera note, il colore e la densità di ogni punto dello spazio, e il rendering volumetrico disegna poi viste che la camera non ha mai ripreso. NeRF è stato presentato da Mildenhall, Srinivasan, Tancik, Barron, Ramamoorthi e Ng nel loro articolo a ECCV 2020 ed è uno dei metodi più noti del neural rendering.

Dal 2023 un secondo metodo, il 3D Gaussian Splatting, memorizza la scena come gaussiane 3D esplicite invece che in una rete e la visualizza in tempo reale; molti strumenti di acquisizione lo offrono già, e i due vengono spesso raggruppati come radiance field. Questa guida spiega come funziona NeRF in quattro passaggi, in cosa differisce da Gaussian splatting, fotogrammetria e laser scanning, dove li incontra un architetto e quali strumenti li creano a ottobre 2026.



Come funziona NeRF in quattro passaggi

L'articolo originale descrive NeRF come una rete completamente connessa che riceve "una singola coordinata 5D continua", una posizione e una direzione di vista, e restituisce la densità volumetrica e il colore dipendente dalla vista; le immagini si ottengono con il classico rendering volumetrico. In pratica tutto si riduce a quattro passaggi.

Passaggio 1: foto e pose della camera

L'addestramento parte da una serie di foto della scena scattate da molte posizioni, più la posizione e l'orientamento di ogni camera (la sua posa). Per le scene reali il NeRF originale ha stimato le pose con un software di structure-from-motion (COLMAP); i sistemi SLAM sono un'altra fonte, e alcune varianti successive affinano le pose durante l'addestramento. La copertura conta più del numero di foto: le parti della scena viste da poche angolazioni risultano sfocate o mancanti.

Passaggio 2: raggi e punti di campionamento

Per ogni pixel, NeRF lancia un raggio dalla camera nella scena e sceglie punti di campionamento lungo il raggio. Il metodo originale usa prima una rete grossolana per trovare dove si trova il contenuto, poi colloca lì più campioni per una rete fine. Questo campionamento gerarchico concentra il calcolo sulle superfici invece che sull'aria vuota.

Passaggio 3: la rete prevede densità e colore

La posizione di ogni campione (x, y, z) e la direzione di vista del raggio entrano in un perceptron multistrato (MLP). La rete restituisce due valori: la densità volumetrica, quanta materia o opacità c'è in quel punto, e il colore dipendente dalla vista, che permette a riflessi e luci speculari di cambiare quando la camera si muove. Prima di entrare nella rete, le coordinate passano per una codifica posizionale, seni e coseni a diverse frequenze, una forma di mappatura di feature di Fourier che permette alla rete di imparare bordi netti e texture fini.

Passaggio 4: rendering volumetrico e addestramento

I colori dei campioni lungo un raggio vengono miscelati, pesati per la loro densità, in un unico colore del pixel. A differenza del ray tracing, che verifica i raggi rispetto a superfici esplicite come i triangoli, NeRF gestisce la visibilità con la densità accumulata lungo il raggio, così occlusioni e bordi morbidi vengono da sé. Poiché questo passaggio di rendering volumetrico è differenziabile, la differenza tra ogni pixel renderizzato e la foto reale viene riportata nei pesi della rete con la discesa del gradiente; ripetuto su molti raggi, la rete impara la scena e può poi renderizzare viste da nuove posizioni della camera.

NeRF non simula la luce come il path tracing calcola l'illuminazione globale: riproduce la luce che c'era nelle foto.


Geometria, profondità e illuminazione in un NeRF

NeRF non memorizza superfici: niente mesh, niente nuvola di punti, niente funzione di distanza con segno. La geometria è implicita nel campo di densità appreso, e un valore di profondità si può stimare dove la densità lungo un raggio raggiunge il picco. Ne vengono indizi utili, ma non metricamente precisi, quindi la geometria ricavata da un NeRF è un'approssimazione, non un rilievo.

L'illuminazione resta quella delle foto. NeRF non modella le sorgenti di luce né la riflettanza dei materiali; riproduce la scena con la luce delle foto di addestramento, con riflessi che cambiano secondo la direzione di vista. Cambiare l'illuminazione o un materiale richiede metodi estesi, un punto importante se vuoi usare un'acquisizione per studi di luce o di materiali.


NeRF più veloci: Instant NGP, TensoRF e PlenOctrees

Il NeRF originale è costoso da calcolare: interroga la rete a ogni campione di ogni raggio, sia nell'addestramento sia per ogni nuova vista. Tre metodi mostrano come si è ridotto questo costo:

  • Instant NGP (Müller, Evans, Schied e Keller, NVIDIA, SIGGRAPH 2022) affianca a una piccola rete una codifica hash multirisoluzione; il suo articolo riporta un addestramento "nel giro di secondi" e un rendering "in decine di millisecondi" a 1920×1080.

  • TensoRF (ECCV 2022) fattorizza il campo di radianza in componenti tensoriali compatte, per una ricostruzione più rapida e modelli più piccoli.

  • PlenOctrees (Yu, Li, Tancik, Li, Ng e Kanazawa, ICCV 2021) converte un NeRF già addestrato in un octree per la visualizzazione in tempo reale: oltre 150 fotogrammi al secondo a 800×800, secondo gli autori più di 3.000 volte più veloce dei NeRF convenzionali.

La stessa ricerca di velocità ha portato al 3D Gaussian Splatting.


NeRF e Gaussian splatting a confronto

Il 3D Gaussian Splatting (3DGS; Kerbl, Kopanas, Leimkühler e Drettakis, SIGGRAPH 2023) impara una scena dagli stessi dati di NeRF, foto con le pose della camera, ma la memorizza in modo diverso. Parte "dai punti sparsi prodotti durante la calibrazione della camera", li trasforma in gaussiane 3D, piccoli ellissoidi sfumati con una posizione, una forma (covarianza anisotropa), un'opacità e un colore, e li regola finché le viste renderizzate non corrispondono alle foto. Per capire dove si collocano i due metodi tra gli altri algoritmi di rendering, dalla rasterizzazione ai modelli di diffusione, vedi la nostra panoramica.

NeRF

3D Gaussian Splatting

Presentato

Mildenhall et al., ECCV 2020

Kerbl et al., SIGGRAPH 2023

Come è memorizzata la scena

In modo implicito, nei pesi di una rete neurale

In modo esplicito, come un grande insieme di gaussiane 3D

Dati di partenza

Foto con pose della camera note

Foto con pose della camera note e i punti sparsi della calibrazione della camera

Come si disegna una vista

Rendering volumetrico: la rete viene interrogata in molti campioni lungo ogni raggio

Le gaussiane vengono proiettate sullo schermo (splatting) da un rasterizzatore che tiene conto della visibilità

Velocità di visualizzazione

Originale: lontano dal tempo reale; Instant NGP: decine di millisecondi per una vista 1920×1080

Tempo reale: 100 fps o più a 1080p, secondo l'articolo

Modifica

Difficile: le modifiche richiedono un nuovo addestramento o metodi di editing speciali

Più facile: le gaussiane sono esplicite e si possono selezionare, spostare o eliminare

Formato di scambio

Pesi della rete, letti dal software che l'ha addestrata

Un'estensione glTF, KHR_gaussian_splatting, pubblicata come release candidate il 3 febbraio 2026

Geometria misurabile

No: la geometria è dedotta dalla densità

No: le gaussiane approssimano le superfici ma non sono un rilievo

Rete neurale

Sì

Non nel metodo originale

Perché il Gaussian splatting è più veloce di NeRF?

NeRF esegue la sua rete in molti punti lungo ogni raggio per dare il colore a ogni pixel. Il Gaussian splatting non ha una rete da valutare per pixel: la scena è già un elenco di gaussiane con i loro colori, e un rasterizzatore fatto apposta le proietta e le miscela sulla GPU. Per questo l'articolo originale arriva a 100 fotogrammi al secondo o più a 1080p, mentre il NeRF originale era lontano dal tempo reale.

Il Gaussian splatting è accurato?

Visivamente può avvicinarsi molto alle foto dai punti di vista acquisiti, e perde qualità lontano da essi. Geometricamente non è un rilievo: le gaussiane approssimano le superfici e l'acquisizione non ha una scala reale affidabile finché non viene collegata a punti misurati. Lo stesso vale per NeRF.

NeRF e Gaussian splatting hanno bisogno del LiDAR?

No. Entrambi i metodi richiedono solo foto o fotogrammi video e le pose della camera calcolate da essi. LiDAR o punti di rilievo si possono aggiungere a un'acquisizione per fissarne la scala o aiutare ad allinearla, ma nessuno dei due metodi li richiede.

Il Gaussian splatting è considerato AI?

Nel senso ampio di apprendimento automatico sì: le gaussiane vengono ottimizzate con la discesa del gradiente per corrispondere alle foto, come si addestra una rete. Ma il 3DGS originale non usa alcuna rete neurale, mentre NeRF lo è. Nessuno dei due metodi progetta qualcosa: entrambi riproducono un luogo che è stato fotografato.

NeRF, fotogrammetria e laser scanning

Anche la fotogrammetria parte da foto sovrapposte, ma produce geometria esplicita, una nuvola di punti e una mesh texturizzata che si possono misurare una volta messo in scala il modello. Il laser scanning misura direttamente le distanze e produce le nuvole di punti su cui si basano i rilievi dello stato di fatto e il lavoro scan-to-BIM. NeRF e Gaussian splat puntano a come appare un luogo da qualsiasi angolazione, compresi vetro e riflessi; la loro geometria è dedotta e la loro scala non è affidabile, il che ne limita l'uso diretto in ingegneria o in cantiere.

Il Gaussian splatting è meglio della fotogrammetria?

Non è meglio, è diverso. Splat e NeRF sono fatti per riprodurre ciò che mostrano le foto, compresi gli effetti che cambiano con l'angolo di vista; fotogrammetria e laser scanning sono fatti per dare una geometria che si può misurare, quotare e portare in CAD o BIM. I metodi si possono combinare: una scansione per le misure, uno splat o un NeRF per l'aspetto.

Quando l'obiettivo è una pianta da quotare, un'acquisizione è solo un riferimento. Prendi le misure principali da un rilievo o misurale sul posto, poi disegna la pianta in Floor Plan Maker: disegni muri, porte, finestre e stanze in un browser desktop, calibri la scala da una lunghezza nota, aggiungi le quote e vedi la superficie di ogni stanza mentre le lunghezze dei muri e le misure degli arredi compaiono in tempo reale, come in un programma CAD, guardi la pianta in 3D o la percorri, ed esporti in DXF, SVG, PDF, PNG, GLB o OBJ. Disegno, modifica, vista 3D ed esportazioni sono gratuiti.

NeRF su larga scala: Mega-NeRF e Block-NeRF

Il NeRF originale è adatto a scene delimitate, un oggetto o una stanza che una sola rete può contenere. Un campus o un isolato mettono in difficoltà una singola rete per memoria, tempo di addestramento e copertura delle viste, quindi i metodi su larga scala dividono la scena in regioni, ognuna con il proprio sottomodello, e interrogano solo le regioni attraversate da un raggio.

Mega-NeRF

Mega-NeRF (Turki, Ramanan e Satyanarayanan, Carnegie Mellon University, CVPR 2022) modella edifici o più isolati a partire da migliaia di immagini raccolte soprattutto con i droni. Raggruppa i pixel di addestramento in base alla geometria in sottomoduli che si addestrano in parallelo. Gli autori riportano un addestramento 3 volte più veloce e un PSNR (una misura della qualità dell'immagine) più alto del 12% rispetto ai metodi NeRF convenzionali, e un rendering 40 volte più veloce per i fly-through interattivi.

Block-NeRF

Block-NeRF è una ricerca di Waymo (Tancik, Casser, Yan, Pradhan, Mildenhall, Srinivasan, Barron e Kretzschmar, CVPR 2022). Rende un intero quartiere di San Francisco, costruito da 2,8 milioni di immagini acquisite da veicoli nel corso di mesi in condizioni ambientali diverse. Ogni blocco viene addestrato separatamente; gli embedding di aspetto per immagine, l'affinamento appreso delle pose e l'esposizione controllabile gestiscono i cambiamenti di luce e di meteo, e l'aspetto dei blocchi vicini viene allineato perché si uniscano senza stacchi. Waymo lo classifica tra le ricerche su percezione e simulazione.


NeRF dinamici: scene in movimento

Il NeRF originale presuppone che la scena non cambi: una persona che attraversa l'acquisizione risulta sfocata o spezzata. I NeRF dinamici, o deformabili, aggiungono il tempo come input, per questo si chiamano anche NeRF 4D, così il campo può rappresentare:

  • oggetti in movimento, come persone e veicoli

  • forme che si deformano o si articolano

  • un aspetto che cambia nel corso di una sequenza

Si usano soprattutto nella ricerca, nell'animazione e nella performance capture. Per un edificio o un interno, la soluzione pratica è acquisirlo quando nulla si muove e la luce resta costante.


NeRF e altre rappresentazioni neurali delle scene

NeRF appartiene a una famiglia di rappresentazioni neurali delle scene. Le funzioni di distanza con segno descrivono la distanza dalla superficie più vicina e sono adatte a una geometria precisa; le reti di occupazione modellano se un punto è dentro o fuori da un oggetto; NeRF modella l'aspetto tramite il rendering volumetrico. I metodi ibridi li combinano per bilanciare accuratezza geometrica e qualità visiva.


NeRF e Gaussian splat in architettura e nelle costruzioni

In architettura, ingegneria e costruzioni, i radiance field acquisiscono ciò che esiste già e lo mostrano da qualsiasi angolazione. Esempi a ottobre 2026:

  • Mappe. Google ha annunciato Immersive View per Google Maps l'8 febbraio 2023, con NeRF per trasformare normali foto in rappresentazioni 3D, prima a Londra, Los Angeles, New York, San Francisco e Tokyo; a giugno 2023 Google Research ha spiegato come ricostruisce gli spazi interni con NeRF a partire da foto scattate con reflex.

  • Piattaforme geospaziali e uno standard. Khronos ha pubblicato KHR_gaussian_splatting, un'estensione di glTF 2.0 che memorizza le gaussiane con posizione, orientamento, scala, colore e opacità, come release candidate il 3 febbraio 2026. Il suo annuncio indica CesiumJS, Esri ArcGIS, Scaniverse di Niantic Spatial e XGRIDS tra i primi ad adottarla, definisce l'estensione un componente chiave del futuro OGC 3D Tiles 2.0 e mostra rilievi da drone elaborati in Esri ArcGIS Reality come un livello di Gaussian splat 3D.

  • Motori di render. V-Ray 7 include la reilluminazione dei Gaussian splat, così gli splat acquisiti si possono usare nelle scene di V-Ray.

  • Stato di fatto e gemelli digitali. Un'acquisizione di un lotto, una strada o un interno prima di una ristrutturazione dà al team e al cliente una documentazione visiva da esplorare, e può fare da livello visivo di un gemello digitale; per le misure serve comunque un rilievo.

Fuori dalle costruzioni, gli stessi metodi sono studiati nell'imaging medico e usati nella realtà virtuale e negli effetti visivi.

Da una vista acquisita a un render di presentazione

Un'acquisizione mostra l'edificio com'è. Per mostrare il progetto, con nuovi materiali, una nuova facciata o un'altra luce, fai uno screenshot di una vista nel tuo visualizzatore NeRF o di splat e caricalo nel generatore di rendering AI come JPG, PNG o WebP fino a 5 MB. ArchiVinci genera in pochi secondi una nuova immagine che segue la tua vista, con i materiali e la luce che descrivi in una frase; non crea né modifica l'acquisizione 3D. Il motore predefinito, ArchiVinci 4.0, mantiene la prospettiva e la geometria della tua vista, così la proposta compare nel suo contesto reale. Usare le immagini per i clienti richiede un piano attivo.

L'esempio qui sotto parte da un'immagine di una casa tutta bianca, non da un'acquisizione; gli stessi passaggi valgono per qualsiasi vista carichi.

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

A sinistra: l'immagine caricata. A destra: il risultato nel modulo Esterni 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 e il motore predefinito.

Trasforma una vista acquisita in un'immagine di presentazione

Carica uno screenshot di una vista, una foto o uno schizzo e descrivi materiali e luce: ArchiVinci genera in pochi secondi una nuova immagine che segue il tuo file. Un nuovo account parte con 3 crediti gratuiti.

Crea un render di presentazione con l'AI


Strumenti per creare un NeRF o un Gaussian splat nel 2026

Gli strumenti qui sotto sono stati verificati sulle loro pagine a ottobre 2026; i prezzi sono esclusi perché cambiano.

Strumento

Cosa crea

Come funziona

NeRF (Nerfacto, il suo metodo consigliato, e Instant-NGP) e Gaussian splat (Splatfacto); esportazione della geometria e guide di esportazione per Blender, Maya e Unreal Engine

Framework open source

Instant NGP

NeRF con la codifica hash multirisoluzione di NVIDIA

Codice di ricerca su GitHub (link più sopra)

Scene radiance field da normali immagini RGB

Funziona in locale su Windows 10 o successivo con una GPU NVIDIA di compute capability 7.5 o superiore (dalla classe RTX 2060 in su); integrazione con Unreal Engine e After Effects; download gratuito e piani a pagamento

Gaussian splat 3D

Uno strumento di Gaussian splatting con prova gratuita di 7 giorni

Punti chiave

  • NeRF impara una scena da foto con pose della camera note e renderizza nuove viste tramite il rendering volumetrico.

  • La scena vive in una rete neurale, non in una mesh o in una nuvola di punti; geometria e profondità sono dedotte e approssimate.

  • L'illuminazione resta quella delle foto: cambiare luce o materiali richiede metodi estesi.

  • Instant NGP, TensoRF e PlenOctrees hanno reso NeRF veloce; Mega-NeRF e Block-NeRF lo portano a isolati e a un intero quartiere.

  • Il 3D Gaussian Splatting (2023) memorizza gaussiane esplicite e si visualizza in tempo reale; molti strumenti di acquisizione del 2026 si basano su di esso.

  • Per una geometria misurabile servono fotogrammetria o laser scanning; NeRF e splat mostrano come appare un luogo.


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

Cosa significa NeRF?

NeRF è l'acronimo inglese di Neural Radiance Field, campo di radianza neurale (al plurale Neural Radiance Fields o NeRF): "neural" perché una rete neurale memorizza la scena, "radiance field" perché descrive la luce, la radianza, che ogni punto dello spazio emette in ogni direzione. Il nome viene dall'articolo del 2020 di Mildenhall e colleghi; nella computer grafica non ha nulla a che vedere con il termine videoludico "nerfare".

NeRF si usa ancora nel 2026?

Sì, nella ricerca e in strumenti come Nerfstudio, il cui metodo consigliato, Nerfacto, è un NeRF; Google ha annunciato Immersive View nel 2023 come basato su NeRF. Ma molti strumenti di acquisizione del 2026 offrono il Gaussian splatting, che si visualizza in tempo reale e ha un'estensione glTF, e lo stesso Nerfstudio li include entrambi.


Le scene NeRF possono essere modificate dopo l'addestramento?


Le scene NeRF non sono direttamente modificabili come i modelli 3D tradizionali. La geometria e l'aspetto sono codificati implicitamente nei pesi della rete, il che significa che la rimozione di oggetti, i cambiamenti di materiale o le modifiche localizzate richiedono generalmente un nuovo addestramento o tecniche specializzate di editing NeRF piuttosto che strumenti 3D standard.


Gli output di NeRF possono essere convertiti in mesh o modelli CAD?


Non esiste una conversione diretta o senza perdite da NeRF a formati mesh o CAD. Si può estrarre una superficie approssimativa dal campo di densità, e Nerfstudio documenta un'esportazione della geometria per farlo, ma la mesh che ne risulta è spesso rumorosa e non adatta a flussi di lavoro di ingegneria o di fabbricazione.



Quante immagini sono necessarie per addestrare un NeRF affidabile?


Le prestazioni di NeRF dipendono fortemente dalla copertura delle viste. Anche se l'addestramento con un numero ridotto di immagini è possibile, i punti di vista limitati spesso causano artefatti visivi, geometria mancante o regioni sfocate. La riduzione dei requisiti di dati rimane un argomento di ricerca attivo.


Come gestisce NeRF le scene con oggetti in movimento?


Il NeRF standard presuppone una scena statica. Quando c'è movimento, gli elementi dinamici risultano spesso sfocati o ricostruiti in modo incoerente. Per modellare in modo affidabile movimento, deformazioni o cambiamenti nel tempo servono varianti specifiche di NeRF dinamici o deformabili.


Perché NeRF non è ampiamente utilizzato nei motori di gioco in tempo reale?


NeRF si basa sul rendering volumetrico e non sulla rasterizzazione, il che lo rende costoso da visualizzare, e gli manca ciò che i motori di gioco si aspettano: geometria esplicita, gestione delle collisioni e una modifica semplice. Nerfstudio ha guide di esportazione per Unreal Engine, e i Gaussian splat arrivano nei motori più facilmente tramite plugin come l'integrazione di Jawset Postshot con Unreal Engine. Anche così, uno splat è un livello visivo senza collisioni né fisica propri.


bottom of page