《現代電影技術》｜楊洪濤等：AIGC技術在電影《只此青綠》視效制作中的創新應用與實踐探索

本文刊發于《現代電影技術》2025年第3期

專家點評

AI技術的迅猛發展正在為影視制作帶來深刻變革，傳統影視制作流程正逐步被技術與藝術深度融合、人類創造與AI生成深度互補的新模式所取代。然而，在思考這項新技術在影視制作中的應用時，我們往往陷入二元論式的極化思維：或認為未來的影視制作將完全依賴AI自動化而忽視人的創意與表達，或因為目前AI技術的局限性而低估其在影視制作流程中應用的巨大潛力。解決這種隧道思維傾向的關鍵點在于如何將AI與當前影視制作流程進行融合，在漸進中融合發展。《AIGC技術在電影〈只此青綠〉視效制作中的創新應用與實踐探索》一文針對AIGC與已有電影制作流程的有效融合，提出了切實可行的實現路徑。影片將深度學習技術全面應用于視覺概念設計、細節增強、視效質檢等制作環節，顯著提升了創意效率和視覺表現力。尤其值得贊賞的是，影片通過AI輔助成功將宋代藝術風格融入CG場景設計中，實現了技術創新與傳統藝術審美的有機結合，其實踐探索為電影工業中AIGC技術的應用提供了具有重要參考價值的案例，展現了電影技術與藝術創意之間更具實際操作性與可持續性的融合方案。

——王雷

教授

中國傳媒大學動畫與數字藝術學院院長、博士生導師

作 者 簡 介

楊洪濤

中影（北京）電影制片廠有限公司經理助理，主要研究方向：虛擬攝制、數字視效、人工智能制作。

中影（北京）電影制片廠有限公司視效部副牽頭人，主要研究方向：電影工業化、數字視效、電影創意。

陳　陽

盛　勇

中影（北京）電影制片廠有限公司視效部副經理，主要研究方向：虛擬攝制、數字視效、人工智能制作。

中影（北京）電影制片廠有限公司視效部制作主管，主要研究方向：影視合成、后期制作。

嚴姍姍

摘要

為深入探討人工智能（AI）技術在電影視效制作中的應用，本文以電影《只此青綠》為例，系統分析了人工智能生成內容（AIGC）在影視視效前期設計、后期制作生產、質量檢測等環節的應用實踐，通過構建基于深度學習（DL）的人工智能制作體系，顯著提升了影片的畫面質量與制作效率。研究表明，AI技術可實現電影制作全流程優化，不僅為高質量藝術影片的制作開辟了全新的路徑，同時也推動了電影藝術與技術的融合發展。

關鍵詞

人工智能；AIGC技術；電影制作；電影視效；電影后期

1引言

2023年，ChatGPT的問世是人工智能（AI）領域的重要里程碑，隨后陸續出現多個大模型，如Sora、Phenaki、AtomoVideo等，均展現出超越人類專家水平的能力，也推動了人工智能生成內容（AIGC）技術的日益發展[1]。

在此背景下，AI技術在影視制作中的應用逐漸深入，涵蓋從創意生成到后期制作的各個環節，成為推動電影工業發展的新引擎。從傳統攝影機實景拍攝到藍幕/綠幕摳像技術，再到計算機圖形學（CG）技術和AIGC的深度融合，電影制作技術正經歷一場深刻變革。其憑借在圖像生成、風格遷移和場景優化等方面的優勢，正重新定義傳統視效制作流程，為電影創作者帶來更高效的工作方式和更豐富的藝術表現力。

2024年國慶檔期中，電影《只此青綠》將舞蹈藝術以影像介質進行再度創作，在真實紀錄的基礎上把數字影像營造幻相的潛能盡情發揮[2]。與傳統故事片的拍攝模式不同，該片沿用原版舞劇的敘事結構，共分為十個場次：問篆、初見、唱絲、聽雨、尋石、習筆、青綠、淬墨、苦思、入畫，相比舞劇多出三場，在舞劇充分展示《千里江山圖》創作的技藝層面外，對故事進行了補充[3]。由于拍攝工作全部在攝影棚內完成，影片后期制作任務顯著增加，其中視效鏡頭占比超過80%，凸顯了視效工作在本片中的重要地位，也對后期制作流程提出了更高的技術要求。基于此，我們嘗試將AIGC技術貫穿應用于概念設計到后期合成的全流程，不僅為影片帶來了獨特的視覺效果，同時也顯著提升了制作效率。

本文以電影《只此青綠》為研究對象，在梳理制作經驗的同時，探討AIGC技術在視效制作中的創新應用與實踐。本研究重點聚焦AI技術在概念設計、數字繪景、關鍵幀生成、三維場景制作、特效合成等環節的具體應用，總結其在提升制作效率與畫面品質方面的顯著優勢，同時剖析當前應用中的不足并提出改進方向。通過對該案例的深入剖析，旨在為AIGC技術在電影工業中的應用提供具有參考價值的實踐經驗，揭示其在推動電影智能化發展中的重要作用，并展望其未來發展潛力。

2AIGC技術在《只此青綠》前期設計中的應用

2.1 靈感啟發與參考圖生成

生成式對抗網絡（GAN）是一種基于深度學習的生成模型，適用于生成高質量圖像、視頻和音頻內容，并擴展至動態場景[4]，是當前非常強大的生成模型方法之一。

視效工作前期的核心挑戰在于將抽象創意轉化為具象視覺效果，傳統草圖設計依賴手繪功底與創造力，效率低且靈感需求高。AIGC技術的引入拓展了創意可能性，通過使用生成式對抗網絡（GAN）快速生成多種符合藝術風格的場景參考圖。在《只此青綠》制作中，視效團隊結合實地考察、古畫研究與專家調研，積累了大量原始資料，并通過AIGC技術快速獲取視覺風格與設計元素，基于關鍵詞或初始草圖，運用AI工具高效生成多種風格的概念圖，進一步優化前期創作流程與效果。

概念草圖設計不僅需寫實性，還需與影片視覺風格及敘事主題相契合。通過圖像風格遷移技術應用深度卷積神經網絡（Deep Convolutional Neural Network, DCNN）[5]，將學習到的藝術風格應用于目標圖像生成中，能將指定的藝術風格與美感融入草圖中，生成的布局方案更加貼合影片整體美學，且能快速實現藝術性與敘事性的統一。以翰林圖畫院場景CG環境布局設計為例，制作團隊通過輸入提示詞或參考圖像，自動生成多種具備初步視覺效果的草圖，展現了豐富的構圖可能性，并將宋代藝術風格融入其中，在色彩搭配、構圖層次和紋理細節上展現出多樣化創意，從而顯著加速了方案迭代。在制作《千里江山圖》全景概念圖時，ControlNet網絡使擴散模型生成圖像更加可控[6]，結合輸入的線條輪廓和深度信息（Depth），引導AIGC生成符合設計需求的山川、河流及地形結構（圖1）。

圖1　使用AIGC技術輔助生成的《千里江山圖》全景概念設計圖

2.2 數字繪景與轉場設計

數字繪景（Matte Painting）是電影視效制作的重要環節，傳統流程依賴人工繪制和靜態素材拼接，呈現形態主要是靜態二維圖像[7]。本片制作中，通過圖像生成、智能增強及自動化拼接等AIGC技術的應用，顯著優化了這一流程。問篆場次需制作一個從房屋內拉出并延伸至大全景的8K畫面，該畫面包含300余個制作層級，城外鄉間建筑群的數字繪景需要數量龐大、風格統一且光影匹配的素材。制作團隊通過AI工具對海量圖像進行搜索與分析，快速篩選出符合宋代建筑風格的房屋結構、光影關系及透視角度等素材。在素材拼接與再創作環節，制作團隊通過智能對齊和特征點識別，實現了圖像的高效拼接與融合，利用深度學習算法對低分辨率素材進行智能增強，修復拼接過程中可能出現的圖像缺失問題，使最終繪制圖像更加無縫且自然。Midjourney繪制圖片只需要在“/imagine”命令中輸入提示詞（Prompt），大致可簡化為：主體+環境+風格+媒介+構圖/光效+燈光/色彩+情緒[8]。在唱絲場次中，為給導演和美術指導提供更多竹子形態選擇，制作團隊使用Midjourney生成了多種竹子素材，再通過Stable Diffusion優化為高清素材。

復雜轉場效果設計是本片視覺風格的一大亮點，流暢自如的轉場鏡頭使視效與影片整體風格實現了自然融合。以影片中的CG轉場設計為例，運用Stable Diffusion和Midjourney等工具生成的一系列水墨風格的舞蹈形態概念草圖，為創作者提供了新穎的靈感來源。這些草圖不僅在色彩搭配、構圖層次及紋理細節上展現了多樣化的創意方案，還為概念設計師快速篩選符合項目需求的創意方向提供了便利。通過以上工具的結合使用，為影片生成了多種版本的水墨風格轉場設計（圖2），有效解決了傳統手繪設計中效率低下和創意有限的問題。

圖2　使用 Al 輔助生成的轉場方案設計草圖示例

3AI技術在《只此青綠》制作中的應用

3.1 利用AI智能插件完成植被和環境模擬

在視效領域，AI技術與電影的關系已密不可分，放眼好萊塢乃至全世界的電影制作團隊，都在嘗試開展電影與AI技術的深度融合創新[9]。唱絲場次作為影片中視覺元素最為豐富的場景之一，其制作難度在于背景中的水面、植被等元素需符合物理規律，與演員的動作靈動配合，同時避免喧賓奪主。制作團隊從資產優化入手，采用三維制作軟件Maya與三維樹木建模軟件SpeedTree相結合的方式，進行大片樹木的快速建模和渲染[10]，并輔以AI工具提升效率與效果，生成的多種竹子模型素材用于部分場景的二次創作，在單獨場景中完成植被材質與比例的調整后，按種類命名并生成“.ass”序列代理文件，根據鏡頭角度調用適配精度的模型。

在模板鏡頭確定后，導演提出展現“雨前微風輕拂”的動態效果，要求在800幀/秒的270°旋轉鏡頭調度中展現植被的動態，同時確保植被布局和細節設計達到電影級標準。制作團隊利用SpeedTree生成動態風場模擬，輸出“.mc”緩存序列幀，并導入Maya分場景制作材質，最終生成“.ass”序列代理文件導入總場景。為應對植被數量龐大問題，制作團隊通過編寫Maya內置語言（MEL）腳本實現批量替換代理路徑，完成優化動態緩存參數，同時提高渲染精度并搭配Deadline聯機渲染，解決了動態葉片晃動導致的渲染閃爍問題，確保了畫面質量，為影片增添了視覺感染力（圖3）。

圖3　唱絲場次竹林參考（左）和竹子制作效果（右）

在翰林圖畫院場景的制作中，制作團隊通過Stable Diffusion的文生圖功能添加更多細節，對初稿進行二次創作，并在三維軟件中按真實比例進行四面擴展，實現對設計圖的精準還原。草地的制作采用Blender中的Geo?Scatter插件，其可提供多種散布模式，包括密度散布、預設散布、手動散布等，僅需勾勒草地區域即可快速布置植被。此外，建筑雪景的制作運用了Quick Snow智能插件，自動生成具有體積感的積雪，并精準附著于植被與建筑表面，使雪景更加真實生動（圖4）。

圖4　翰林圖畫院的植被（上）和雪景（下）制作

3.2 利用深度信息計算完成房屋集群制作和場景光線模擬

在影片房屋集群制作中，制作團隊需完成一座俯視城池布局與印章篆刻圖案的疊化鏡頭，通過Stable Diffusion生成概念圖，確保了整體風格與印章圖獨特美學的一致性，生成了城池環境的不同風格方案，通過AI工具對細節進行超分辨率（Super?Resolution, SR）與優化，隨后利用三維軟件搭建粗略模型，構建城鎮整體布局，結合AI進行深度信息計算，從攝影機的位置出發，以攝影機真實的視角寬度，計算場景中物體到光源的距離[11]（即深度信息），分析城鎮的高低起伏與空間層次，提取出三維模型的深度信息，完成建筑與街道的輪廓清晰化（圖5）。

圖5　城池布局制作過程及與印章篆刻圖案疊化效果

在尋石場次的瀑布場景制作中，制作團隊以真實場景為參考，利用AIGC技術生成貼圖并還原場景中的細節紋理與光影變化，使前景模型在視覺上更加真實自然。對于中后景的處理，通過AI分析三維灰模計算出深度信息與邊緣檢測（Canny）[12]算子，基于這些數據生成材質貼圖，精確反映模型的表面特征與結構，進一步增強了整體的真實感。在完成場景構建后，制作團隊采用多角度投射的方式，從不同視角審視模型，確保視覺效果的連貫性與一致性，使場景在宏觀布局和微觀細節上均達到預期效果。

3.3 利用AI技術完成流體特效、光影模擬和細節優化

流體與物體的交互是電影視效制作中的難點，如在唱絲場次中，將特效水面與實拍水面融合成為關鍵環節。制作團隊利用AI技術對兩者的色彩、亮度、對比度及紋理進行智能分析，通過對比差異與相似之處，確定融合重點區域為水面交界處及光影變化較大的部分。AI技術通過分析實拍素材與環境風格，幫助制作團隊確定了水面的整體光影基調，可實現特效水面的色彩、亮度、對比度及紋理等參數的精準調校，使其與實拍水面實現更自然的融合效果，解決了大部分特效與實拍流體動態的視覺差異問題，畫面在整體上更為真實連貫，為場景的沉浸感增添了重要細節（圖6）。

圖6　AIGC計算出Depth和Canny信息進行多角度投射

AI生成素材被廣泛用于局部紋理補充，如湖底石頭、水面折射效果和山間小屋等模型紋理均通過AI生成的超高分辨率圖像進行細節增強。制作團隊利用AI生成的超高分辨率圖像，提取巖石及植被局部細節紋理，解決了畫面中真實紋理不足的問題。瀑布場景的水面折射和湖底石頭效果也通過AI生成，應用于畫面的局部環境中，使細節更加豐富。山間小屋的墻體和屋頂紋理也通過生成的高分辨率素材得以補充，并結合三維模型進行重繪與調整，使真實感顯著提升。

3.4 AI工具輔助摳像與合成

在影片合成環節中，制作團隊利用Nuke的CopyCat[13]工具（通過使用少量示例幀來訓練神經網絡，從而在整個序列中復制這些效果）和ComfyUI工具（一款強大的穩定擴散GUI工具，用于生成和操作AI圖像）[14]顯著提升了摳像與畫面合成效率。制作團隊先以人工制作的高質量摳像關鍵幀為樣本，訓練神經網絡，生成對應模型“.cat”文件，準確地將圖像關鍵特征和轉換規則運用于同類鏡頭的解算制作，快速處理整段鏡頭的摳像任務。翰林圖畫院場景中有大幅度鏡頭調動，運動模糊下人物的清晰摳像難度增加，該方法可預先處理80%以上的畫面問題，一定程度上解決了演員服飾與背景色調相近、舞蹈動作幅度大等復雜問題。精準的色彩分離與動態追蹤技術，不僅大幅縮短了后期制作周期，還確保了摳像畫面的精細度與自然感，從而保證了整體畫面質量。

在唱絲場次與展卷場景的制作中，制作團隊將Midjourney與ComfyUI結合，通過文本描述快速生成高質量概念圖用于創意參考和迭代溝通。ComfyUI作為Nuke插件與鏡頭序列連接，通過ControlNet生成符合機位和角度的素材，例如制筆工坊場景的粗略布局效果圖和展卷場景中印章效果的生成畫面。AI生成素材偶爾因提示詞不足而偏離需求，通過多次測試和調整，成功生成了符合中國風氛圍的素材。

3.5 視效質檢環節

在影片視效制作與色彩校正方面，AIGC可檢測并修復視頻中的噪點、抖動、模糊等問題，避免拍攝階段的技術失誤，提高畫面分辨率，提升影像資料的畫面質感[15]。制作團隊開發了一套基于Hiero[16]（與Nuke緊密集成的視頻編輯和協作工具）的視效質量檢測工具，通過視效管理軟件CGTeamwork和Hiero時間線的串接，將部分AI插件寫入管理軟件，實現了分場次、分環節的快速時間線搭建。該工具支持多維度質檢方式，包括前后鏡串接質檢，檢查鏡頭間的連貫性；對源素材與制作效果對比質檢，比對畫面效果與原始素材的差異；歷史版本效果對比質檢，縱向分析不同版本的改進情況；多環節審核整合，快速查看鏡頭在各制作環節的審核小樣。這些功能從不同維度提升了質檢效率和判斷準確性，為組長和視效總監提供了全局把控鏡頭質量的便利。

在項目的實際制作中，質檢工具展現了極高的效率與便利性。進入Hiero質檢工具后，用戶只需選擇項目名稱、場次及制作環節，就能一鍵將所有提交備檢小樣導入Hiero時間線。時間線的多維度審核方式支持橫向檢查前后鏡的連貫性、縱向比較不同制作環節的延續性，同時實時監測鏡頭進展與修改記錄。在唱絲場次的制作中，工具的高效運用顯著提升了審片效率，確保了鏡頭連貫性與制作質量，為質檢工作提供了全面技術支持。

4 AI技術應用對制作品質與效率的提升

4.1 品質提升

AI作為新時期前沿技術驅動力，正在重塑影視制作行業的全流程，這些技術創新不僅優化了制作流程，降低了生產成本，更推動了行業向智能化、工業化方向發展。未來，AI技術的持續演進將為影視制作帶來更多可能，迭代的AIGC技術將拓展創意表達的邊界，全流程智能化生產將實現更高效的協同創作，整體提升作品品質。借助AI大模型的力量，未來的影視作品將呈現出更逼真、生動的虛擬角色和場景。這些虛擬元素將與現實世界無縫融合，為觀眾帶來前所未有的觀影體驗[17]。

4.2 效率提升

AI工具主要在以下幾方面顯著提升制作效率。第一，創意思路的開拓和發散。在影片初期概念設計中，針對主創對視效方案極高的要求和標準，可使用AI生成參考圖提升方案設計效率。第二，在攝影機追蹤和反求環節，AI軟件內置的智能化工具在復雜動態鏡頭追蹤中提升了精準度；AI質檢工具高效完成了前后鏡頭串接、原素材與制作效果對比、歷史版本對比等多維度質檢，顯著減少了人工質檢的時間和誤差。第三，大幅減少了人工投入與時間消耗，尤其是在復雜場景如群體人物動態摳像和精細毛發畫面的ROTO制作中，約能減少2/3的制作時間，讓制作團隊得以將主要精力放在畫面藝術效果處理上。AI技術的全面應用，使《只此青綠》的制作過程更加高效流暢，同時確保了最終作品的高質量輸出。

5 經驗和思考

5.1 AI技術在電影制作中的不足和局限性

在電影《只此青綠》制作中，AI工具的應用顯著提升了效率和創意產出，但在實踐中仍存在多方面挑戰，在細節處理、復雜場景適應性和效果穩定性等方面的問題尤為凸顯，需結合具體項目特點提出相應解決方案。AI工具在面對動態光影、微小紋理和復雜特效場景時，生成結果往往難以達到大銀幕放映的審美需求，在處理高頻動作與背景融合部分時，需大量人工精細調整才能達到預期效果。

AI工具在復雜場景中的應用表現也存在不足，畫面中的微小元素有時會發生晃動閃爍問題，仍需通過手動優化動態緩存參數調整。這表明在處理復雜動態場景時，AI技術仍需大量人工干預才能確保畫面效果和質量。

在情感理解層面，AIGC技術生成的內容缺乏對影片主題和藝術精神的深層理解。《只此青綠》以中國傳統文化和藝術為核心，對畫面氣質和意境要求極高。在部分場景生成中，即使在提示詞準確的情況下，初版畫面仍然會出現與風格不符的科幻元素，需通過不斷調整提示詞和人工篩選來確保生成方向正確。

在復雜場景適應性方面，AI工具也表現不足。例如，瀑布的水流與巖石交互特效及雨水和水面交互的動態特效等，生成的素材可提供一些基礎參考，但在動態模糊、復雜光影處理上的精準度不足，仍需大量人工干預。此外，生成結果受樣本和提示詞描述影響較大，而技術整合與兼容性問題也成為一大難點，部分AI工具與現有制作軟件的集成度有限，操作復雜性且技術門檻較高。

5.2 面臨的挑戰與解決方案

實踐表明，AIGC更適于作為人工創作新工具，通過AIGC生成與人工的結合，高效完成復雜場景創制任務，為設計提供快速迭代的便利，最終畫面質量則需通過人工優化得以保障。但在依賴AI技術的同時，創作者也可能會過度追求效率，忽視了獨立思考和創新[18]。

為應對挑戰，在AIGC技術生成的基礎上，應不斷提升制作人員審美和制作水平，確保實現高質量的細節優化。視效制作人員通過學習相關藝術風格的圖像，手動優化動態效果，確保畫面真實自然。這一人機協作模式將會帶來新的視角[19]，不僅彌補了AIGC技術生成的不足，還提升了制作效率與藝術表現力，為復雜場景的視效制作提供了高效解決方案。

優化技術整合與工作流程也是解決方案的重要方向。通過對現有流程的調整，逐步提高AIGC與傳統工具的兼容性，簡化使用成本，如調整軟件的腳本配置，使其更高效地融入視效工作流程。團隊還建立了嚴格的質量控制機制，人工干預生成素材，確保風格一致性，使視覺效果符合項目需求。

6 結語

電影《只此青綠》的制作實踐表明，當前AIGC技術在影視制作中的最佳應用方式仍是將其作為輔助工具，與人工創意形成互補。隨著算法的不斷優化、數據的持續積累以及硬件計算能力的逐步提升，未來這項技術有望實現更加復雜的視頻內容生成，在質量和流程控制方面實現質的飛躍，與影視制作的傳統流程實現更緊密的融合。

AIGC技術在電影《只此青綠》中的應用，不僅幫助團隊高效完成繁瑣的基礎工作，還通過優化細節和提升藝術表現力，為影片帶來了全新的視覺體驗。我們還可通過引入更多不同類型的影視作品和藝術風格的數據來訓練 AI大模型，以擴大其學習范圍和創造力[20]。未來，隨著AIGC技術的不斷發展，其在影視制作中的應用場景將進一步擴展，不僅能夠顯著提升制作效率，還為創作者在設計風格、藝術表現和技術實現方面提供了更多可能性。當然，AIGC技術的影視實踐也表明，只有將技術與人類創意有機結合，才能真正推動影視制作工藝的創新與突破[21]。

參考文獻

（向下滑動閱讀）

[1] 陳佛計,朱楓,吳清瀟,等.生成對抗網絡及其在圖像生成中的應用研究綜述[J].計算機學報,2021,44(02):347?369.

[2] 中國電影資料館.“小景自足”與“全史在胸”——影片《只此青綠》觀后談美學與歷史觀[EB/OL].(2024?10?18)[2025?02?26].https://www.cfa.org.cn/cfa/yj/lwby72/2024101821233998052/index.html.

[3] 張鋼.《只此青綠》：電影藝術和舞蹈藝術完美結合[EB/OL].(2024?10?12)[2025?02?26].https://wenyi.gmw.cn/2024-10/12/content_37608662.htm.

[4] 周婷婷.基于AIGC技術的影視內容生產與創新研究[J].影視制作,2024,30(11):95?99.

[5] 李莉,吳菲.基于CycleGAN和時頻分析的藝術圖像風格轉換[J].計算機時代,2020(12):41?46.

[6] 郭宇軒,孫林.基于擴散模型的ControlNet網絡虛擬試衣研究[J].現代紡織技術,2024,32(03):118?128.

[7] 王玉玨.數字繪景結合三維投影的立體空間呈現研究[J].現代電影技術,2022(10):36?42.

[8] 標記獅社區.Midjourney Prompt應該怎么寫丨Prompt結構萬能公式[EB/OL].(2023?05?17)[2025?02?26].https://mmmnote.com/article/7e7/05/article-c3420e0b0710fc45.shtml.

[9] 陳寶權,李道新,孫立軍,等.基于人工智能技術的未來影像研究與思考[J].現代電影技術,2024(12):4?12.

[10] 李驍逸.基于RealityCapture和SpeedTree平臺的園林古樹三維建模研究[J].信息技術與信息化,2024(05):216?220.

[11] 柳翠明,夏小科,陳可蘊,等.顧及深度變化的三維模型與視頻融合可視化[J].地理空間信息,2023,21(06):7?11,38.

[12] 呼亞萍,孔韋韋,李萌,等.基于邊緣檢測全變分模型的圖像去噪方法[J].現代電子技術,2021,44(05):52?56.

[13] SEYMOUR M.CopyCat, Inference & Machine Learning in Nuke[EB/OL].(2021?04?14)[2025?02?26].https://www.fxguide.com/fxfeatured/copycat-inference-machine-learning-in-nuke/.

[14] Gioxyer.Generate AI Rendering with Blender ComfyUI AddOn[EB/OL].(2024?04?25)[2025?02?26].https://blenderartists.org/t/generate-ai-rendering-with-blender-comfyui-addon/1527106.

[15] 劉子洋.AIGC浪潮下的影視生產——模式創新與風險審視[J].西部學刊,2024(16):36?39.

[16] HIERO 1.5與HIERO PLAYER正式發布:多個重大升級、支持Windows系統[J].影視制作,2012,18(11):95.

[17] 新浪財經.追光動畫與阿里影業達成戰略合作 攜手布局文化IP產業[EB/OL].(2024?08?20)[2025?02?26].https://baijiahao.baidu.com/s?id=1807894319316319809&wfr=spider&for=pc.

[18] 趙瑜,張亦弛.ChatGPT將如何影響影視產業?——生成式人工智能背景下的影視產業發展趨向[J].電影新作,2023(02):4?13.

[19] 黃水清,陳安鏵.人機協作背景下A科技公司研發人員人力資源管理實踐研究[J].老字號品牌營銷,2024(22):160?162.

[20] 白道欣,趙蘇.基于AIGC的影視制作提升路徑思考[J].中國傳媒科技,2024(08):138?141.

[21] 寧可欣,楊靜.人工智能驅動影視內容智能化生產的創新實踐研究[J].人工智能,2024(06):96?105.