Zwei Papers, drei Jahre Abstand, änderten unaufällig, was „Vermessung” bedeutet. Im März 2020 präsentierten Ben Mildenhall und Kollegen NeRF: Representing Scenes as Neural Radiance Fields bei ECCV; 2023 antwortete Bernhard Kerbls Team bei INRIA Sophia-Antipolis mit 3D Gaussian Splatting for Real-Time Radiance Field Rendering bei SIGGRAPH. Sie verschoben die Photogrammetrie von etwas, das du rekonstruierst, zu etwas, das du anpasst. Für einen Architekten ist dieser Unterschied nicht akademisch — es ist der Unterschied zwischen einem Mesh, das du bereinigen musst, und einem kontinuierlichen Modell davon, wie dein Gebäude tatsächlich Licht reflektiert.

←HEUTE: Eine fünfminütige Umrundung mit dem Handy einer Fassade ergibt nun eine metrisch genaue Erfassung, die für die Bestandsüberprüfung und Kollisionsprüfung gut genug ist.
→3012: Jedes Gebäude trägt einen lebendigen Strahlungs-Doppelgänger, bei jedem Besuch neu angepasst, sodass die Aufzeichnung eines Ortes nie gefroren und nie verloren ist.
Fulcrum: Die Erfassung ist kostengünstig, weil die Darstellung differenzierbar ist — und Differenzierbarkeit ist genau das, was sie später überprüfbar macht.

Was es ist: Ein NeRF ist ein kleines mehrschichtiges Perzeptron — nennen wir es F_θ(x, y, z, θ, φ) → (RGB, σ) —, das einen Punkt im Raum und eine Blickrichtung auf eine Farbe und eine Volumendichte abbildet. Um ein Pixel zu rendern, verfolgst du einen Kamerastrahl durch das Netzwerk und integrierst die Farbe, gewichtet durch akkumulierte Transmittanz. Dieses Integral ist die Emissions-Absorptions-Gleichung, die Kajiya und Von Herzen 1984 für Rauch und Wolken formalisierten; der Trick von 2020 war, alles in Autograd einzuwickeln, sodass Gradient Descent die Gewichte an hundert Fotos gleichzeitig anpassen kann. Die Gewichte von F_θ sind buchstäblich das Gebäude. 3D Gaussian Splatting behält die gleiche erfasste Realität, kehrt aber die Darstellung von implizit zu explizit um: die Szene wird zu einer Wolke von ungefähr einer Million anisotroper Gauss’scher, jede mit einem Mittelwert, einer Kovarianz, einer Deckkraft und einer blickwinkelabhängigen Farbe. Zwei Sprachen, eine Physik.

Warum es funktioniert: Das implizite Feld funktioniert, weil der Rendering-Operator kontinuierlich und differenzierbar end-to-end ist — jedes Foto wird zu einer Bedingung, und das Netzwerk findet das Feld, das alle gleichzeitig erfüllt. Das explizite Feld funktioniert aus einem direkteren Grund: Rasterisierung. Jede Gauss’sche trägt eine 3×3-Kovarianzmatrix Σ, faktorisiert als RSS^TR^T — eine Einheits-Quaternion-Rotation mal achsenweise Skalierung — und eine Farbe, gespeichert als sphärische Harmonik-Koeffizienten bis Grad drei. Rendern ist nicht mehr Ray-Marching; jede Gauss’sche wird auf die Bildebene projiziert, tiefengeordnet pro Kachel und Alpha-kombiniert. Deshalb schafft eine Consumer-GPU 100+ FPS bei 1080p. Der Preis dieser Geschwindigkeit ist Offenheit über den Zustand: mehrere Gigabyte pro Szene, weshalb 2024–2025-Forschung — HyRF’s Hybrid-Felder, Lees 25× Compact-3DGS, MrGS’s RGB-thermische Gauss’sche — nach Kompression strebt. Wie das PAZ-Konzept-Panel zu diesem Thema sagt, ist ein implizites Feld ein kontinuierliches Physik-Modell, wie ein Gebäude Licht reflektiert, und ein Splat ist sein rasterbarer Doppelgänger.

Ursprünge: Die Herkunft ist kurz und gut dokumentiert. Akt eins: Mildenhall, Srinivasan, Tancik, Barron, Ramamoorthi und Ng, ECCV 2020 — exquisite Rekonstruktionen, Training gemessen in Stunden, Bilder in Sekunden. Akt zwei: Kerbl, Kopanas, Leimkühler und Drettakis bei INRIA, SIGGRAPH 2023 — Echtzeit, explizit, GPU-rasterisiert. Das Testfeld dazwischen war Martin-Brualla et al.’s NeRF in the Wild (CVPR 2021), die saubere Denkmäler — das Brandenburger Tor, den Trevi-Brunnen, Sacré-Cœur — aus unkontrollierten Touristenfotos unter chaotischem Licht und bewegten Menschenmengen anpasste. Mittals 2024-Übersicht katalogisiert bereits über fünfhundert NeRF-Preprints, und das Feld verdoppelt sich immer noch ungefähr jedes Jahr.

In der Praxis: Das Signal, das für ein Schweizer Studio zählt, ist nicht die Demo, es ist das Planungsinstrument. Haitz, Hermann, Roth und die Weinmanns verwandelten eine Nadir-Drohnen-Vermessung des zentralen Delft (TU Delft, 2024) in den ersten ernsthaften städtischen 3DGS-Benchmark — Gebäude hören auf, Spielzeugobjekte zu sein, und werden zu einer Katasterfläche. Übertrage das auf einen kantonal Denkmalpflege-Kontext: eine historische Fassade im Niederdorf, erfasst in einem langsamen Handy-Spaziergang, wird zu einer metrischen Referenz für die Restaurierungsausschreibung lange bevor ein Vermesser beauftragt wird. Der Notre-Dame-Fall ist das Warnbeispiel — nach dem Feuer im April 2019 wurde das Touristenarchiv vor dem Feuer in NeRF- und 3DGS-Rekonstruktionen als forensisches Gedächtnis eines Gebäudes umgewandelt, das nicht mehr vollständig existiert. Atelier: in einem PAZ-Workflow befindet sich dies stromaufwärts von BIM-Kollisionsprüfung — du überprüfst das Modell gegen eine angepasste Erfassung des echten Gebäudes, nicht gegen einen CAD-Wunsch, und du speist die korrigierte Geometrie in den Grasshopper↔Archicad-Pfad ein, anstatt es neu zu zeichnen.

Hack: Dieser Hack lehrt dich, eine Gebäudeecke zu vermessen, die du nur fotografiert hast — eine Vermessungsdimension ohne Messstab vor Ort. Das Medium ist ausführbarer Code; die Domäne ist Geometrie. Erfasse 80–150 Einzelbilder einer Ecke mit fester Belichtung, führe COLMAP für Posen aus, trainiere die INRIA-3DGS-Referenz für 30k Iterationen, lade dann die trainierten Gauss’schen, verwirf die verschwommenen Floater und passe eine ausgerichtete Begrenzungsbox an.

import numpy as np, open3d as o3d
from plyfile import PlyData

ply = PlyData.read("output/corner/point_cloud/iteration_30000/point_cloud.ply")['vertex']
xyz    = np.stack([ply['x'], ply['y'], ply['z']], axis=1)
opac   = np.array(ply['opacity'])                 # logit space
scale  = np.exp(np.stack([ply['scale_0'], ply['scale_1'], ply['scale_2']], axis=1))
keep   = (opac > -2.0) & (scale.max(axis=1)  5 cm

pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(xyz[keep])
pcd, _ = pcd.remove_statistical_outlier(nb_neighbors=30, std_ratio=2.0)
w, d, h = sorted(pcd.get_oriented_bounding_box().extent, reverse=True)
print(f"corner  width={w:.3f} m  depth={d:.3f} m  height={h:.3f} m")

Überprüfe die gedruckten Zahlen gegen ein Massband vor Ort. Mit einem langsamen Spaziergang, fixierter Belichtung und stabilen COLMAP-Posen, erwarte Übereinstimmung von ein bis zwei Zentimetern auf einer Ecke in Wohngebäudegrösse — Genauigkeit, die ein Junior-Vermesser für einen halben Arbeitstag berechnet.

Ein wichtiger Hinweis, im Sinne des Abhängigkeitsgraphen: ein Strahlungsfeld ist nur so ehrlich wie seine Posen. COLMAP-Fehler bei reflektierendem Glas oder einer strukturlosen Render-Wand erzeugen ein vertrauenerweckendes, wunderschön gerendertes, geometrisch falsches Modell — der Fehlermodus ist lautlos. Verankere immer mindestens eine Bandmessung, bevor du einer erfassten Dimension vertraust. Erfasse diese Woche eine Ecke, passe sie an, und messe sie gegen die Realität; die Differenz, die du findest, ist die Kalibrierung, die du in jede zukünftige Vermessung mitnehmst.