本文刊發于《現代電影技術》2026年第4期

專家點評

王嵐君

研究員

天津大學新媒體與傳播學院教授、博士生導師

當前，生成式視頻技術正經歷從“能夠生成”到“可控生成”的關鍵躍遷。在這一進程中，可控性是生成式人工智能技術能否真正進入影視工業流程的關鍵門檻。缺乏可控性的生成結果本質上仍是隨機采樣的產物，無法滿足導演對視覺風格統一性、鏡頭語言精準性和敘事節奏連貫性的專業要求。從技術演進來看，可控視頻生成大致沿風格控制、時序控制與空間控制三個方向展開，分別對應影像創作中視覺美學、時間結構與空間敘事的核心需求。其中，風格遷移面臨時序穩定性與內容保真度的平衡難題，關鍵幀插值在劇烈語義跳變場景中仍易出現結構扭曲，而相機運動引導則受制于三維一致性與遮擋推理的不足。未來，隨著大模型對空間結構理解能力的增強以及生成流程與虛擬攝制、實時渲染引擎的進一步打通，可控視頻生成有望從輔助工具演進為創作合作者，催生融合算法邏輯與電影美學的新型影像語言。《創意影像生產中的可控視頻生成技術路徑及應用研究》一文圍繞上述核心問題展開了系統性研究，對風格遷移引導、關鍵幀引導與相機運動引導三條技術路徑的原理與前沿方法進行了清晰梳理，并將各類技術路徑與《異人之下》《石頭剪刀布》《權利童話》等創作案例緊密結合，技術分析與創作實踐相互印證。同時，論文對當前技術在多模態約束融合、三維一致性及長時序控制等方面的局限也作了客觀分析。綜上所述，本文兼具技術梳理的系統性與創作應用的啟發性，對于理解和促進生成式人工智能技術與電影語言和影像美學的融合創新具有較高的參考價值。

項目信息

北京市宣傳文化高層次人才培養資助項目“AIGC影像創意工作室”（京宣傳文化人才24-1）。

作者簡介

賈云鵬

教授，北京郵電大學數字媒體與設計藝術學院院長，主要研究方向：數字影像設計。

黃　慧

北京郵電大學數字媒體與設計藝術學院2023級碩士研究生，主要研究方向：數字媒體內容設計。

摘要

本文圍繞創意影像生產中的可控生成問題，系統梳理了風格遷移引導生成、關鍵幀引導生成與相機運動引導生成3類技術路徑的發展現狀。文章結合創意影像案例，分析上述技術路徑在藝術風格塑造、復雜過渡構建與敘事鏡頭調度中的具體應用方式，并指出當下仍存在多模態約束融合困難、三維一致性不足及長時序控制受限等問題。研究認為，可控視頻生成正逐步成為連接生成式技術與電影語言的關鍵橋梁，將為未來數字影像的美學探索與創作生產流程帶來新的可能性。

關鍵詞

可控視頻生成；創意影像生產；生成式人工智能（GAI）；擴散模型

1

引言

創意影像是一種藝術表現形式，其通過創新的思維和獨特的表現手法，結合現代技術手段，突破傳統影像創作的界限，以表達創作者的思想、情感和觀點。影像的發展史始終是技術與藝術交織的過程，每一次技術革新都會促使影像語言產生新形態，從攝影、動畫到數字影像，再到虛擬現實（VR）、增強現實（AR）等沉浸式媒介，都在不斷推動創意影像的表達邊界。隨著生成式人工智能（GAI）的崛起，視頻生成技術正成為推動影像創作方式變化的新動力，使影像從可記錄、可編輯進一步走向可生成、可操控。

然而，當下主流視頻生成模型雖已具備高質量生成能力，但其輸出往往受限于模型自身的隨機性，在視覺風格保持、時間連續性和鏡頭語言的可控性方面仍難以滿足影視創作的專業需求。生成式人工智能技術若要真正進入電影、廣告、實驗影像等創作場景，必須從“能夠生成”邁向“可控生成”。基于這一現實需求，本文以創意影像生產為背景，聚焦視頻生成領域中3類關鍵的可控生成路徑即風格遷移引導、關鍵幀引導與相機運動引導，系統梳理其技術原理、發展趨勢與在電影及相關影像創作中的創新應用。本研究旨在闡明可控視頻生成在創作實踐中的作用機制，探討其在擴展影像表現形式、增強敘事表達能力以及推動技術與創意融合方面的潛力，為未來GAI技術在影視創作領域的應用提供理論基礎與實踐參考。

2

視頻生成技術發展

近年來，視頻生成技術經歷了快速而深刻的演進，其發展路徑大體可從3類關鍵模型體系梳理：以生成式對抗網絡（GAN）[1]和變分自編碼器（VAE）[2]為代表的早期階段，以擴散模型（Diffusion Model）為突破口的中期階段，以及由Transformer結構主導的擴散變換器（Diffusion Transformer, DiT）時代。2021年前，GAN憑借生成器與判別器的對抗訓練機制，推動了早期低分辨率視頻生成的發展，但其訓練不穩定、模式崩潰等問題始終難以完全克服。擴散模型的出現標志著生成建模的一次關鍵躍遷，其通過正向加噪和反向去噪的雙過程機制，在生成質量、細節保真度和訓練穩定性方面優于GAN，使視頻生成具備了穩定、高質量、可擴展的基礎[3]。

隨著模型規模和算力的進一步提升，擴散模型逐漸與Transformer架構深度融合，形成目前最常見的DiT[4—6]體系。與傳統的U型網絡（U?Net）不同，DiT以自注意力機制為核心，能在統一的時空表征中捕捉更長序列的時間依賴，同時維持高分辨率的空間細節[7]，因此尤其適合處理復雜、多物體、多運動的動態場景。當前的主流視頻大模型，如混元視頻大模型等，均體現出這一技術方向的發展趨勢。2026年，Seedance系列模型則進一步把視頻生成從單純追求高質量輸出，推向更強調控制能力的新階段。尤其是Seedance 2.0，采用統一多模態音視頻聯合生成架構，支持文本、圖像、視頻和音頻4類輸入，用戶還可同時輸入最多9張圖片、3段視頻和3段音頻，使構圖、動作、鏡頭運動、視覺效果和聲音等信息都能作為生成條件參與控制[8]。同時，該模型還支持視頻編輯和視頻延展，使用戶能夠在已有結果上繼續修改和擴展內容，從而減少了早期視頻生成中較強的隨機性和不確定性，推動視頻生成逐步走向更穩定、更可控，也更接近流程化制作的內容生產方式。從系列演進來看，Seedance 1.0[9]已強調原生多鏡頭生成、文本到視頻與圖像到視頻的統一建模，以及結構穩定和指令跟隨能力，而Seedance 1.5 Pro[10]又進一步采用雙分支DiT、跨模態聯合模塊和多階段數據流程，強化了音畫同步、口型匹配和鏡頭控制，這也為后續Seedance 2.0的統一多模態控制能力提供了技術基礎。

不過，這類進展并不意味著視頻生成中的基礎難題已被完全解決。盡管技術取得了顯著進展，視頻生成仍面臨諸多挑戰，例如時間一致性難以長期保持，大幅運動會導致內容漂移，以及三維結構的重建仍不穩定等[11]。在創意影像生產的實際場景中，這些問題會直接影響鏡頭段落的可用性和可編輯性。正因如此，可控視頻生成成為當前研究的重點方向，即通過在生成過程中引入特定約束，對生成結果進行引導與調節，使其在關鍵維度上更加可預測、可調度。

3

可控視頻生成的技術路徑及其創新應用

在創意影像的制作實踐中，技術層面的可控性通常會被轉化為具體的影像表達控制方式。結合創作流程與影像語言特征，可控視頻生成中的核心控制點主要集中在3個方面，即整體視覺風格、畫面過渡與段落連接，以及鏡頭視角與運動方式。圍繞上述控制點，可控生成大體可分為3類技術路徑，即風格遷移引導生成、關鍵幀引導生成與相機運動引導生成，如圖1所示。風格遷移引導生成的技術演進路徑從早期的逐幀處理與時間平滑，到基于 GAN 的視頻風格化方法，并進一步發展到以擴散模型為核心的渲染方法，同時在近年結合神經輻射場（NeRF）將風格化拓展至三維場景。關鍵幀引導生成的技術路徑從基于光流的傳統幀間插值，發展到基于擴散模型的生成式幀間插值，并逐步引入雙向生成結構與多模態條件約束。相機運動引導生成的研究在基于相機參數的擴散模型這一主流技術路線的基礎上，分化出了強調相機姿態與3D場景一致性增強，面向多視角、多軌跡的一致視頻生成及相機主體動作與相機軌跡聯合控制等3個方向。

圖1　創意影像生產中的可控視頻生成技術路徑

在創意影像生產中，上述3條技術路徑直接作用于影像語言的不同層面。風格遷移引導生成通過整體調控色彩與材質，實現影像視覺語態的重構；關鍵幀引導生成以生成連續中間畫面的方式，將鏡頭轉場轉化為畫面生成式過渡；相機運動引導生成則使鏡頭視角與運動軌跡能夠在生成過程中被直接設計，實現更高自由度的鏡頭調度。基于此，本章將分別圍繞上述3條技術路徑展開后續分析。

3.1 風格遷移引導生成

3.1.1 風格遷移引導生成的實現方法

風格遷移引導生成將參考圖像、繪畫或視頻的藝術風格遷移到目標視頻中，使視頻呈現一致的視覺審美。早期方法通常采用逐幀風格化后再進行時間平滑處理[12,13]，雖然能夠在一定程度上保持內容結構，但在復雜運動或光照變化場景下仍然容易出現閃爍、紋理抖動和風格漂移等問題。隨著GAN模型的成熟，出現了更具專業性的視頻卡通化[14]與視頻轉換[15]方法，在語義保持方面有所改進，但訓練穩定性與跨域泛化能力仍存在局限。擴散模型的引入則顯著提升了風格遷移引導生成的上限，其高保真建模能力使風格遷移可在保證結構一致性的前提下，呈現更豐富的紋理、筆觸與光影特征，例如Rerender A Video[16]、StyleCrafter[17]等方法在統一的時空特征空間中對視頻進行重新渲染。近年的研究在擴散模型的技術上進一步強調可控性與一致性，FRESCO[18]試圖通過引入顯式的時空對應關系，在跨幀連貫性和內容保真度等維度提供更精細的控制；StyleMaster[19]等框架試圖在風格強度、區域范圍、內容保持等維度提供更精細的調節空間。同時研究從二維圖像擴展至三維場景建模，將NeRF與風格遷移結合，開辟了一個全新的研究方向，即3D場景風格化，從而生成具有任意視角一致性的風格化視頻。ARF[20]與StyleNeRF[21]開啟了基于NeRF的場景風格化方向，而后續方法如NeRFEdito[22]、MDS?NeRF[23]與CoARF[24]則進一步提升了語義控制、內容保真度與風格可控性，使風格遷移引導生成從圖像外觀替換邁向三維結構層面的整體視覺重塑。

3.1.2 風格遷移引導生成的創意應用

在創意影像生產的語境中，風格遷移引導生成為視覺語態的重構提供了重要的技術基礎。其可在保持場景構圖與敘事信息基本不變的前提下，對光影、色彩、材質乃至心理氛圍進行不同程度的重塑，從而直接介入影像表達。

首先，風格遷移能夠建立敘事層次的分化。電影《異人之下》在拍攝之初，導演便希望回憶段落能呈現出區別于現實敘事部分的新風格，以在視覺上構筑明確的時間區隔。為實現這一效果，電影團隊在傳統摹片動畫工藝的基礎上進一步引入基于人工智能（AI）的風格遷移，先通過真人摹片動畫將實拍表演逐幀摹寫，再利用經原作漫畫風格數據微調的AI風格遷移模型，對每一幀進行統一的二維漫畫化處理，最終打造出一種介于實拍與二維造型間的混合視覺語態[25]。AI的參與使寫實表演與漫畫式夸張得以在同一畫面中融合，使回憶段落既忠于原作的漫畫質感，又保持動作與情緒的連貫性，從而在整部影片的敘事結構中形成一個獨立而清晰的視覺層級。

其次，風格遷移能夠強化影像表達的情緒。短片《烏鴉》以舞者的真實影像為基礎，讓模型將其轉譯為荒涼風景中的烏鴉畫作，視覺風格通過冷峻色調與象征性構圖，營造出孤絕與荒涼的情緒氛圍，使影像獲得一種傳統攝影難以達到的美學張力。再如短片《石頭剪刀布》采用漫畫式風格，在實拍素材的基礎上進行AI風格遷移，將每一幀真人影像轉化為具有高對比色彩、夸張輪廓與卡通化線條的動畫畫面。如圖2所示，動畫化的造型語言與真人表演相結合，使影像在視覺沖擊力、節奏感與情緒感染力上得到同步強化，形成一種更加外放、熾烈的觀看體驗。

圖2　短片《石頭剪刀布》截圖①

另外，在一些作品中，風格成為心理狀態的外化機制。短片《致親愛的自己》以真人實拍為基礎，通過AI轉繪將影像整體置換為低飽和的藍色調與帶有繪畫紋理的動畫質感，兩者共同營造出一種介于清醒與恍惚間的心理氛圍，使觀眾仿佛置身于記憶與內心獨白構成的主觀空間中。短片《遲滯現象》（Hysteresis）則以舞者的身體為載體，通過VQGAN、CLIP等生成式模型在實拍舞蹈影像上進行多輪AI轉繪與投影，將身份不穩定、情緒噪聲和感知錯位具象為覆蓋在皮膚表面的抽象線條與色塊，使身體本身成為心理狀態的顯示器。實驗性動畫短片LUCID通過一鏡到底的舞蹈實拍與多階段AI生成流程相結合，影片受益于Kaiber AI、Runway Gen?2、Midjourney和Stable Diffusion XL等AI工具的整合[26]，對原始舞蹈畫面進行從強抽象到相對具象的逐級重繪。在影像中，視覺風格從噪聲般的抽象紋理逐漸收束為可辨識的人物與空間形態，外化了主體情緒從混亂、失序到逐漸整合與自我對齊的心理運動，AI風格遷移不再是視覺濾鏡，而是情緒生成過程本身的可視化軌跡。

3.2 關鍵幀引導生成

3.2.1 關鍵幀引導生成的實現方法

關鍵幀引導生成的方法旨在利用起始幀與結束幀或多個關鍵幀生成中間的連續影像，使畫面在時間上呈現自然過渡。傳統視頻插值主要依賴光流估計[27—29]，通過預測像素在不同幀之間的運動路徑來合成中間幀。然而，這種方法在遇到大幅動作、遮擋關系變化、快速旋轉等復雜場景時，往往難以精準推斷真實運動，從而導致結構扭曲、偽影與過渡不自然等問題[30]。擴散模型的加入，使插值從運動預測轉向內容重建。諸如MCVD[31]等模型證明擴散機制既可用于視頻建模，也可用于插值，其多步迭代采樣能夠在潛在空間中重建更具語義合理性的中間狀態，而非僅依賴像素級運動推測。2024年的TRF模型[32]更進一步提出通過雙向生成結構從起始幀與結束幀同時出發，利用時間反轉采樣整合前后信息，在處理大跨度動作變化或顯著語義跳變時保持更高的穩定性與連貫性。

在此基礎上，當前關鍵幀引導插值的研究方向大部分在于提升生成的質量，特別是在復雜動作的場景下以及提升生成的可控性。圍繞生成質量與運動復雜度，VIDIM通過低分辨率生成和條件超分辨率的兩階段架構，在復雜、非線性甚至含有運動歧義的場景中，仍能生成細節充分、結構穩定的中間序列[33]。VTG通過LoRA插值、雙向運動預測等多種技術讓鏡頭轉場的自然性更高[34]。在可控性方面，基于擴散模型的插值方法的優勢在于可在關鍵幀之外引入多模態條件，從而對插值過程施加更細粒度的結構與語義約束。擴散插值模型可通過適配器或注意力通路自然接入深度圖、語義分割、音頻、文本提示以及光流/軌跡等約束條件[35]，實現從結構對齊到語義風格的多層控制[30,36]。

3.2.2 關鍵幀引導生成的創意應用

關鍵幀引導生成技術的核心價值在于其使影像中不可見的過渡段得以被生成，而非僅通過剪輯拼接。這意味著原本需要依賴疊化、跳切或鏡頭運動處理的時間、空間與情緒轉變，現在可以一種動態演化的方式被補寫出來。如圖3所示，以電影《深海》的一段疊化轉場為例，原片的轉場依賴于人物面部相似性，通過傳統的疊化方式將兩段情境連接，使時空的跳躍以一種平滑但相對靜態的方式呈現。相比之下，基于關鍵幀引導的生成式結果并未停留在靜態疊加層面，而是在保持人物哭泣這一情緒與表情連續性的前提下，引入了明確的鏡頭運動過程。生成序列中，鏡頭先向人物面部推進，再逐步推出并完成場景切換，使轉場過程本身成為一個可感知的動態段落。

（a）電影《深海》的轉場截圖②

（b）使用AI工具生成的轉場截圖

圖3　傳統轉場與生成式轉場在時空連續性上的對比

在此基礎上，關鍵幀引導插值在當代影像創作中逐漸形成了多樣化的應用方向。一方面，其能表現時間、身份或狀態的跨越。第十五屆北京國際電影節AIGC電影單元優秀影片《當歸》中，老人回頭與青年形象間的轉換采用了生成式關鍵幀插值的方法。創作者以老人和青年2個姿態相近的關鍵幀為錨點，讓系統在其間生成連續中間幀，從而在保持動作連貫的前提下實現面容和服裝的平滑切換。另一方面，關鍵幀引導也能支撐大規模意象流動。宣傳片《AI我中華》的連續轉場便展示了這一點。影片畫面在每一幀中不斷吸收新的提示信息，使文物、景觀和時代在變形中被重建，像是一種在視覺空間中自然流動的文化溯源過程。當轉場與旋轉、推進等鏡頭運動結合時，畫面會呈現出雙重連續，空間在運動，畫面在變化，內容也在生成，最終構成的是一種傳統攝制手段難以達成的生成式視覺連續體。此外，關鍵幀引導還為高頻動作場景提供了新的制作路徑。在AI劇集《馬丁癥》的動作打斗段落中，創作者大量使用了漫畫式風格、快速切換鏡頭與高密度動作信息。在制作流程中，創作團隊借助可靈AI的首尾幀功能[37]，將復雜動作拆解為若干關鍵姿態，在起始幀與結束幀間自動生成過渡動作幀，同時配合腳本化的動作設計與圖像測試，不斷微調生成結果。通過這一閉環工作流，打斗鏡頭在保持漫畫風格的同時，仍然具備流暢的運動節奏與明確的力學感，展示了生成式關鍵幀插值在高頻運動場景中的動態穩定性與造型控制力。

3.3 相機運動引導生成

3.3.1 相機運動引導生成的實現方法

相機運動引導旨在通過模擬虛擬攝影機的運動軌跡以控制生成視頻的視角變化，從而實現推拉、搖移、環繞、變焦等多種鏡頭語言。與風格或關鍵幀不同，相機運動的控制直接關系到三維空間一致性，因此難度更高。模型需同時理解攝影機的外參（旋轉R、平移T）、內參（焦距等）以及場景的潛在三維結構。

近期大量工作逐步形成了基于相機參數的擴散模型這一主流技術路線，將完整的相機位姿序列作為附加控制信號，注入視頻擴散模型的時間注意力或跨幀注意力中，從而在保持原有生成能力的前提下，顯式約束鏡頭路徑。在相機參數控制擴散模型的框架之上，大致有3個方向。第一類側重精準相機姿態控制與3D一致性增強。如CameraCtrl[38,39]系列通過像素級Plücker嵌入強化了視點與場景幾何間的對應關系。第二類工作關注多視角、多軌跡的一致視頻生成。這類方法不僅要沿給定軌跡生成一個視頻，還要在同一場景下生成多條相機路徑對應的多段視頻，并在它們之間保持三維一致，如ViewCrafter[40]和Cavia[41]。第三類則嘗試統一相機與對象運動的三維控制，即在同一生成框架中同時操控主體動作與鏡頭路徑，使運動邏輯與敘事目的更緊密地綁定。Cao等[42]提出聯合控制人物動作與相機軌跡的Uni3C框架；CineMaster[43]等模型則從影視生產需求出發，將鏡頭、角色與光源的控制統一在一個 3D場景級管線中，面向長時段、敘事性較強的鏡頭設計。

3.3.2 相機運動引導生成的創意應用

生成式鏡頭運動為影像表達打開了全新的視聽維度。對于創作者而言，鏡頭不再只是記錄已存在空間的工具，而是一種可在潛在空間中自由書寫運動軌跡、重構時空關系的表達手段。

一方面，AI可以極低成本模擬真實拍攝中難以完成甚至代價高昂的鏡頭運動。以經典的子彈時間為例，傳統制作需在主體周圍搭建密集的攝影機陣列才能實現視角凝固式的繞拍效果，而在生成式視頻系統中，只需一張靜態照片或一段短視頻，模型便能推斷人物形態與環境深度，生成圍繞主體快速環繞的鏡頭，營造出時間被凍結、視角脫離物理限制的質感。類似地，復雜的升降、前沖、環繞等運動在現實拍攝中受制于軌道、吊臂或場地條件，而在生成式系統中則可被轉化為一條可編輯、可隨時試驗的虛擬軌跡，使鏡頭運動本身成為高度可塑的創作資源。

另一方面，更具啟發性的是生成式模型借由鏡頭運動所創造出的新型敘事體驗。如科幻短片《第1001顆星球：AI重建地球檔案》中，通過首尾幀驅動與運動控制結合生成多段連續的首尾幀鏡頭，畫面在看似無限延展的場景中不斷向前推進，既模擬了AI重建星球檔案的過程，又營造出一種意識流般連續不斷的觀看感受。這類無限延展的運動在實體空間幾乎不可實現，卻在生成式空間中成為自然且可重復的表達方式。第三十屆釜山國際電影節“未來影像——AI電影國際峰會”入選作品《權利童話》則將鏡頭運動與時間隱喻緊密融合，影片鏡頭圍繞蘋果不斷環繞，蘋果從鮮艷走向腐敗，背景隨之經歷季節與時代的更迭，鏡頭運動在展示物體的同時，也生成了時間感、歷史感與寓言意味，使運動本身承擔敘事功能。短片Alzheimer借鑒魚缸視角，呈現類似魚眼鏡頭般的空間畸變感，強化了認知錯位與記憶漂移的心理體驗。同時，短片應用大量環繞鏡頭描繪阿爾茨海默癥老人迷失后的彷徨、焦慮與無助感，以鏡頭運動外化其內部意識的破碎。

4

結語和展望

生成式視頻技術不僅是提升影像生產效率的技術工具，其以風格遷移重塑視覺語態，以生成式轉場改寫時間過渡，以算法攝影機拓展鏡頭運動的可能，為創意影像生產提供了可控生成的路徑，使當代影像獲得了前所未有的表現張力與形式想象空間。

與此同時，這些技術本身仍存在明顯局限，短期內難以被視作成熟的工業標準方案。當前風格遷移引導仍然在解決時序穩定性、內容保真度和用戶可控性方面面臨挑戰；關鍵幀插值在復雜動作、劇烈語義跳變及遮擋關系頻繁變化的場景中，也依然可能出現結構扭曲與運動邏輯不夠清晰的問題；相機引導仍然受到三維一致性不穩定、遮擋錯誤、復雜運動難以解釋等挑戰的限制，但其在影視創作、虛擬鏡頭設計、動畫制作等創意影像生產場景中的應用潛力已逐漸顯現。

面向未來，隨著人工智能大模型對三維結構與多模態條件的理解能力增強，以及生成流程與虛擬攝制、實時渲染引擎等工業管線的進一步打通，可控視頻生成有望從輔助工具走向創作合作者，在保障可控性與可預期性的前提下，孕育出一套新的電影語言與影像美學，為創意影像帶來更多尚未被命名的創新形式可能。

注釋、參考文獻

（向下滑動閱讀）

① 圖片來源：https://www.bilibili.com/video/BV1UY4y127Eb/?spm_id_from=333.337.search-card.all.click。

② 圖片來源：https://www.bilibili.com/bangumi/play/ss44496?spm_id_from=333.1391.0.0。

[1] GOODFELLOW I J, POUGET?ABADIE J, MIRZA M, et al. Generative adversarial nets[J]. Adv Neural Inf Process Syst，2014, 27.

[2] KINGMA D P, WELLING M. Auto?Encoding Variational Bayes[EB/OL]. (2013?12?20) [2025?11?28]. https://arxiv.org/abs/1312.6114.

[3] ZHU Z, WANG X, ZHAO W, et al. Is Sora a World Simulator? A Comprehensive Survey on General World Models and Beyond[EB/OL]. (2024?05?06)[2025?11?25]. https://arxiv.org/abs/2405.03520.

[4] WAN T, WANG A, AI B, et al. WAN: Open and Advanced Large?Scale Video Generative Models[EB/OL]. (2025?03?27)[2025?11?26]. https://arxiv.org/abs/2503.20314.

[5] YANG Z, TENG J, ZHENG W, et al. CogVideoX: Text?to?Video Diffusion Models with an Expert Transformer[C]//Proceedings of the International Conference on Learning Representations (ICLR), 2025.

[6] YAN Z, MA Y, ZOU C, et al. EEdit: Rethinking the Spatial and Temporal Redundancy for Efficient Image Editing[EB/OL]. (2025?03?14)[2025?11?26]. https://arxiv.org/abs/2503.10270.

[7] XIE W, HU A, XIE Q, et al. Bibliometric Analysis and Review of AI?Based Video Generation: Research Dynamics and Application Trends (2020–2025)[J]. Discover Computing, 2025, 28: 130.

[8] ByteDance Seed Team. Seedance 2.0 Official Launch[EB/OL]. (2026?02?12)[2026?04?08]. https://seed.bytedance.com/en/blog/official-launch-of-seedance-2-0.

[9] GAO Y, GUO H, HOANG T, et al. Seedance 1.0: Exploring the Boundaries of Video Generation Models[EB/OL]. (2025?06?10)[2026?04?08]. https://arxiv.org/abs/2506.09113.

[10] Seed Vision Team. Seedance 1.5 pro: A Native Audio?Visual Joint Generation Foundation Model[EB/OL]. (2025?12?15)[2026?04?08]. https://arxiv.org/abs/2512.13507.

[11] MA Y, FENG K, HU Z, et al. Controllable Video Generation: A Survey[EB/OL]. (2025?07?22)[2025?12?05]. https://arxiv.org/abs/2507.16869.

[12] CHEN D, LIAO J, YUAN L, et al. Coherent online video style transfer[C]//Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2017.

[13] HUANG H, WANG H, LUO W, et al. Real?time neural style transfer for videos[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017.

[14] YANG S P, JIANG L, LIU Z, et al. VToonify: Controllable high?resolution portrait video style transfer[J]. ACM Transactions on Graphics (TOG), 2022.

[15] YANG S, JIANG L, LIU Z, et al. StyleGANEX: StyleGAN based manipulation beyond cropped aligned faces[C]//Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2023.

[16] YANG S, ZHOU Y, LIU Z, et al. Rerender A Video: Zero?shot text?guided video?to?video translation[C]//SIGGRAPH Asia 2023 Conference Papers, 2023.

[17] LIU G, XIA M, ZHANG Y, et al. StyleCrafter: Enhancing stylized text?to?video generation with style adapter[EB/OL]. (2023?11?29)[2025?12?04]. https://arxiv.org/abs/2312.00330.

[18] YANG S, ZHOU Y, LIU Z, et al. FRESCO: Spatial?temporal correspondence for zero?shot video translation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2024.

[19] YE Z, HUANG H, WANG X, et al. StyleMaster: Stylize your video with artistic generation and translation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2025: 2630?2640.

[20] ZHANG K, KOLKIN N, BI S, et al. ARF: Artistic radiance fields[C]//European Conference on Computer Vision (ECCV), Springer, 2022: 717?733.

[21] GU J, SHEN Y, LIN Z, et al. StyleNeRF: A Style?based 3D?Aware Generator for High?resolution Image Synthesis[EB/OL].(2021?11?18)[2025?12?04]. https://arxiv.org/abs/2111.09784.

[22] SUN C, LIU Y, HAN J, et al. NeRFEditor: Differentiable Style Decomposition for Full 3D Scene Editing[EB/OL]. (2022?12?07)[2025?12?04]. https://arxiv.org/abs/2212.03848.

[23] LI Z, LI S, MA W, et al. Multi?level Dynamic Style Transfer for NeRFs[EB/OL]. (2025?10?01)[2025?12?04]. https://arxiv.org/abs/2510.00592.

[24] ZHANG D, FERNANDEZ?LABRADOR C, SCHROERS C. CoARF: Controllable 3D artistic style transfer for radiance fields[C]//Proceedings of the International Conference on 3D Vision (3DV). IEEE Computer Society, 2024: 612?622.

[25] 央視網. 幕后：結合AI 揭秘《異人之下》真人摹片動畫[EB/OL]. (2024?08?16)[2025?11?28]. https://tv.cctv.com/2024/08/16/VIDEzDIK6Vmd5lBfcKu3L7ld240816.shtml.

[26] PHAM C, WINTERSBERGER P, HAGLER J. Animation in the Age of AI: Creative Dialog With Algorithms[C]//ISEA2024: 29th International Symposium on Electronic Art, 2024.

[27] HU M, JIANG K, ZHONG Z, et al. IQ?VFI: Implicit quadratic motion estimation for video frame interpolation[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2024: 6410?6419.

[28] LI Z, ZHU Z L, HAN L H, et al. AMT: All?pairs multi?field transforms for efficient frame interpolation[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2023: 9801?9810.

[29] LIU C, ZHANG G, ZHAO R, et al. Sparse global matching for video frame interpolation with large motion[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2024: 19125?19134.

[30] ZHU T, REN D, WANG Q, et al. Generative inbetweening through frame?wise conditions?driven video generation[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2025: 27968?27978.

[31] VOLETI V, JOLICOEUR?MARTINEAU A, PAL C. MCVD: Masked conditional video diffusion for prediction, generation, and interpolation[J]. Advances in Neural Information Processing Systems, 2022, 35: 23371?23385.

[32] FENG H, DING Z, XIA Z, et al. Explorative inbetweening of time and space[C]// ECCV 2024: 18th European Conference, Milan. Springer, 2024: 378?395.

[33] JAIN S, WATSON D, TABELLION E, et al. Video interpolation with diffusion models[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2024: 7341?7351.

[34] YANG Z, ZHANG J, YU Y, et al. Versatile Transition Generation with Image?to?Video Diffusion[EB/OL]. (2025?08?03)[2025?12?05]. https://arxiv.org/abs/2508.01698.

[35] ZHANG M, ZHANG M, YAN Q, et al. AceVFI: A comprehensive survey of advances in video frame interpolation[EB/OL]. (2024?01?04)[2025?12?05]. https://arxiv.org/abs/2401.01712.

[36] ZHANG G, ZHU Y, CUI Y, et al. Motion?aware generative frame interpolation[EB/OL]. (2025?03?03)[2025?12?04]. https://arxiv.org/abs/2503.01532.

[37] 小新. AI影像的新世界正在加載[EB/OL]. (2025?07?02)[2025?12?04]. https://vv.lmtw.com/mzw/content/detail/id/243935.

[38] HE H, XU Y, GUO Y, et al. CameraCtrl: Enabling camera control for text?to?video generation[EB/OL]. (2024?04?02)[2025?12?08]. https://arxiv.org/abs/2404.02101.

[39] HE H, YANG C, LIN S, et al. CameraCtrl II: Dynamic scene exploration via camera?controlled video diffusion models[EB/OL]. (2025?03?15)[2025?12?04]. https://arxiv.org/abs/2503.10592.

[40] YU W, XING J, YUAN L, et al. ViewCrafter: Taming video diffusion models for high?fidelity novel view synthesis[EB/OL].（2025?09?23）[2026?02?02]. https://ieeexplore.ieee.org/document/11176446.

[41] XU D, JIANG Y, HUANG C, et al. Cavia: Camera?controllable multi?view video diffusion with view?integrated attention[EB/OL]. (2024?10?14)[2025?12?08]. https://arxiv.org/abs/2410.10774.

[42] CAO C, ZHOU J, LI S, et al. Uni3C: Unifying precisely 3D?enhanced camera and human motion controls for video generation[EB/OL]. (2025?04?21)[2025?12?08]. https://arxiv.org/abs/2504.14899.

[43] WANG Q, LUO Y, SHI X, et al. CineMaster: A 3D?aware and controllable framework for cinematic text?to?video generation[C]//Proceedings of the ACM Conference. ACM, 2025.

期刊導讀 |《現代電影技術》2026年第4期

中國電影電視技術學會電影創新技術獎交流會在京成功舉辦

中國電影科學技術研究所（電影技術質量檢測所）參展CCBN2026，彰顯電影科技自主創新實力