《现代电影技术》｜杨洪涛等：AIGC技术在电影《只此青绿》视效制作中的创新应用与实践探索

本文刊发于《现代电影技术》2025年第3期

专家点评

AI技术的迅猛发展正在为影视制作带来深刻变革，传统影视制作流程正逐步被技术与艺术深度融合、人类创造与AI生成深度互补的新模式所取代。然而，在思考这项新技术在影视制作中的应用时，我们往往陷入二元论式的极化思维：或认为未来的影视制作将完全依赖AI自动化而忽视人的创意与表达，或因为目前AI技术的局限性而低估其在影视制作流程中应用的巨大潜力。解决这种隧道思维倾向的关键点在于如何将AI与当前影视制作流程进行融合，在渐进中融合发展。《AIGC技术在电影〈只此青绿〉视效制作中的创新应用与实践探索》一文针对AIGC与已有电影制作流程的有效融合，提出了切实可行的实现路径。影片将深度学习技术全面应用于视觉概念设计、细节增强、视效质检等制作环节，显著提升了创意效率和视觉表现力。尤其值得赞赏的是，影片通过AI辅助成功将宋代艺术风格融入CG场景设计中，实现了技术创新与传统艺术审美的有机结合，其实践探索为电影工业中AIGC技术的应用提供了具有重要参考价值的案例，展现了电影技术与艺术创意之间更具实际操作性与可持续性的融合方案。

——王雷

教授

中国传媒大学动画与数字艺术学院院长、博士生导师

作 者 简 介

杨洪涛

中影（北京）电影制片厂有限公司经理助理，主要研究方向：虚拟摄制、数字视效、人工智能制作。

中影（北京）电影制片厂有限公司视效部副牵头人，主要研究方向：电影工业化、数字视效、电影创意。

陈　阳

盛　勇

中影（北京）电影制片厂有限公司视效部副经理，主要研究方向：虚拟摄制、数字视效、人工智能制作。

中影（北京）电影制片厂有限公司视效部制作主管，主要研究方向：影视合成、后期制作。

严姗姗

摘要

为深入探讨人工智能（AI）技术在电影视效制作中的应用，本文以电影《只此青绿》为例，系统分析了人工智能生成内容（AIGC）在影视视效前期设计、后期制作生产、质量检测等环节的应用实践，通过构建基于深度学习（DL）的人工智能制作体系，显著提升了影片的画面质量与制作效率。研究表明，AI技术可实现电影制作全流程优化，不仅为高质量艺术影片的制作开辟了全新的路径，同时也推动了电影艺术与技术的融合发展。

关键词

人工智能；AIGC技术；电影制作；电影视效；电影后期

1引言

2023年，ChatGPT的问世是人工智能（AI）领域的重要里程碑，随后陆续出现多个大模型，如Sora、Phenaki、AtomoVideo等，均展现出超越人类专家水平的能力，也推动了人工智能生成内容（AIGC）技术的日益发展[1]。

在此背景下，AI技术在影视制作中的应用逐渐深入，涵盖从创意生成到后期制作的各个环节，成为推动电影工业发展的新引擎。从传统摄影机实景拍摄到蓝幕/绿幕抠像技术，再到计算机图形学（CG）技术和AIGC的深度融合，电影制作技术正经历一场深刻变革。其凭借在图像生成、风格迁移和场景优化等方面的优势，正重新定义传统视效制作流程，为电影创作者带来更高效的工作方式和更丰富的艺术表现力。

2024年国庆档期中，电影《只此青绿》将舞蹈艺术以影像介质进行再度创作，在真实纪录的基础上把数字影像营造幻相的潜能尽情发挥[2]。与传统故事片的拍摄模式不同，该片沿用原版舞剧的叙事结构，共分为十个场次：问篆、初见、唱丝、听雨、寻石、习笔、青绿、淬墨、苦思、入画，相比舞剧多出三场，在舞剧充分展示《千里江山图》创作的技艺层面外，对故事进行了补充[3]。由于拍摄工作全部在摄影棚内完成，影片后期制作任务显著增加，其中视效镜头占比超过80%，凸显了视效工作在本片中的重要地位，也对后期制作流程提出了更高的技术要求。基于此，我们尝试将AIGC技术贯穿应用于概念设计到后期合成的全流程，不仅为影片带来了独特的视觉效果，同时也显著提升了制作效率。

本文以电影《只此青绿》为研究对象，在梳理制作经验的同时，探讨AIGC技术在视效制作中的创新应用与实践。本研究重点聚焦AI技术在概念设计、数字绘景、关键帧生成、三维场景制作、特效合成等环节的具体应用，总结其在提升制作效率与画面品质方面的显著优势，同时剖析当前应用中的不足并提出改进方向。通过对该案例的深入剖析，旨在为AIGC技术在电影工业中的应用提供具有参考价值的实践经验，揭示其在推动电影智能化发展中的重要作用，并展望其未来发展潜力。

2AIGC技术在《只此青绿》前期设计中的应用

2.1 灵感启发与参考图生成

生成式对抗网络（GAN）是一种基于深度学习的生成模型，适用于生成高质量图像、视频和音频内容，并扩展至动态场景[4]，是当前非常强大的生成模型方法之一。

视效工作前期的核心挑战在于将抽象创意转化为具象视觉效果，传统草图设计依赖手绘功底与创造力，效率低且灵感需求高。AIGC技术的引入拓展了创意可能性，通过使用生成式对抗网络（GAN）快速生成多种符合艺术风格的场景参考图。在《只此青绿》制作中，视效团队结合实地考察、古画研究与专家调研，积累了大量原始资料，并通过AIGC技术快速获取视觉风格与设计元素，基于关键词或初始草图，运用AI工具高效生成多种风格的概念图，进一步优化前期创作流程与效果。

概念草图设计不仅需写实性，还需与影片视觉风格及叙事主题相契合。通过图像风格迁移技术应用深度卷积神经网络（Deep Convolutional Neural Network, DCNN）[5]，将学习到的艺术风格应用于目标图像生成中，能将指定的艺术风格与美感融入草图中，生成的布局方案更加贴合影片整体美学，且能快速实现艺术性与叙事性的统一。以翰林图画院场景CG环境布局设计为例，制作团队通过输入提示词或参考图像，自动生成多种具备初步视觉效果的草图，展现了丰富的构图可能性，并将宋代艺术风格融入其中，在色彩搭配、构图层次和纹理细节上展现出多样化创意，从而显著加速了方案迭代。在制作《千里江山图》全景概念图时，ControlNet网络使扩散模型生成图像更加可控[6]，结合输入的线条轮廓和深度信息（Depth），引导AIGC生成符合设计需求的山川、河流及地形结构（图1）。

图1　使用AIGC技术辅助生成的《千里江山图》全景概念设计图

2.2 数字绘景与转场设计

数字绘景（Matte Painting）是电影视效制作的重要环节，传统流程依赖人工绘制和静态素材拼接，呈现形态主要是静态二维图像[7]。本片制作中，通过图像生成、智能增强及自动化拼接等AIGC技术的应用，显著优化了这一流程。问篆场次需制作一个从房屋内拉出并延伸至大全景的8K画面，该画面包含300余个制作层级，城外乡间建筑群的数字绘景需要数量庞大、风格统一且光影匹配的素材。制作团队通过AI工具对海量图像进行搜索与分析，快速筛选出符合宋代建筑风格的房屋结构、光影关系及透视角度等素材。在素材拼接与再创作环节，制作团队通过智能对齐和特征点识别，实现了图像的高效拼接与融合，利用深度学习算法对低分辨率素材进行智能增强，修复拼接过程中可能出现的图像缺失问题，使最终绘制图像更加无缝且自然。Midjourney绘制图片只需要在“/imagine”命令中输入提示词（Prompt），大致可简化为：主体+环境+风格+媒介+构图/光效+灯光/色彩+情绪[8]。在唱丝场次中，为给导演和美术指导提供更多竹子形态选择，制作团队使用Midjourney生成了多种竹子素材，再通过Stable Diffusion优化为高清素材。

复杂转场效果设计是本片视觉风格的一大亮点，流畅自如的转场镜头使视效与影片整体风格实现了自然融合。以影片中的CG转场设计为例，运用Stable Diffusion和Midjourney等工具生成的一系列水墨风格的舞蹈形态概念草图，为创作者提供了新颖的灵感来源。这些草图不仅在色彩搭配、构图层次及纹理细节上展现了多样化的创意方案，还为概念设计师快速筛选符合项目需求的创意方向提供了便利。通过以上工具的结合使用，为影片生成了多种版本的水墨风格转场设计（图2），有效解决了传统手绘设计中效率低下和创意有限的问题。

图2　使用 Al 辅助生成的转场方案设计草图示例

3AI技术在《只此青绿》制作中的应用

3.1 利用AI智能插件完成植被和环境模拟

在视效领域，AI技术与电影的关系已密不可分，放眼好莱坞乃至全世界的电影制作团队，都在尝试开展电影与AI技术的深度融合创新[9]。唱丝场次作为影片中视觉元素最为丰富的场景之一，其制作难度在于背景中的水面、植被等元素需符合物理规律，与演员的动作灵动配合，同时避免喧宾夺主。制作团队从资产优化入手，采用三维制作软件Maya与三维树木建模软件SpeedTree相结合的方式，进行大片树木的快速建模和渲染[10]，并辅以AI工具提升效率与效果，生成的多种竹子模型素材用于部分场景的二次创作，在单独场景中完成植被材质与比例的调整后，按种类命名并生成“.ass”序列代理文件，根据镜头角度调用适配精度的模型。

在模板镜头确定后，导演提出展现“雨前微风轻拂”的动态效果，要求在800帧/秒的270°旋转镜头调度中展现植被的动态，同时确保植被布局和细节设计达到电影级标准。制作团队利用SpeedTree生成动态风场模拟，输出“.mc”缓存序列帧，并导入Maya分场景制作材质，最终生成“.ass”序列代理文件导入总场景。为应对植被数量庞大问题，制作团队通过编写Maya内置语言（MEL）脚本实现批量替换代理路径，完成优化动态缓存参数，同时提高渲染精度并搭配Deadline联机渲染，解决了动态叶片晃动导致的渲染闪烁问题，确保了画面质量，为影片增添了视觉感染力（图3）。

图3　唱丝场次竹林参考（左）和竹子制作效果（右）

在翰林图画院场景的制作中，制作团队通过Stable Diffusion的文生图功能添加更多细节，对初稿进行二次创作，并在三维软件中按真实比例进行四面扩展，实现对设计图的精准还原。草地的制作采用Blender中的Geo⁃Scatter插件，其可提供多种散布模式，包括密度散布、预设散布、手动散布等，仅需勾勒草地区域即可快速布置植被。此外，建筑雪景的制作运用了Quick Snow智能插件，自动生成具有体积感的积雪，并精准附着于植被与建筑表面，使雪景更加真实生动（图4）。

图4　翰林图画院的植被（上）和雪景（下）制作

3.2 利用深度信息计算完成房屋集群制作和场景光线模拟

在影片房屋集群制作中，制作团队需完成一座俯视城池布局与印章篆刻图案的叠化镜头，通过Stable Diffusion生成概念图，确保了整体风格与印章图独特美学的一致性，生成了城池环境的不同风格方案，通过AI工具对细节进行超分辨率（Super⁃Resolution, SR）与优化，随后利用三维软件搭建粗略模型，构建城镇整体布局，结合AI进行深度信息计算，从摄影机的位置出发，以摄影机真实的视角宽度，计算场景中物体到光源的距离[11]（即深度信息），分析城镇的高低起伏与空间层次，提取出三维模型的深度信息，完成建筑与街道的轮廓清晰化（图5）。

图5　城池布局制作过程及与印章篆刻图案叠化效果

在寻石场次的瀑布场景制作中，制作团队以真实场景为参考，利用AIGC技术生成贴图并还原场景中的细节纹理与光影变化，使前景模型在视觉上更加真实自然。对于中后景的处理，通过AI分析三维灰模计算出深度信息与边缘检测（Canny）[12]算子，基于这些数据生成材质贴图，精确反映模型的表面特征与结构，进一步增强了整体的真实感。在完成场景构建后，制作团队采用多角度投射的方式，从不同视角审视模型，确保视觉效果的连贯性与一致性，使场景在宏观布局和微观细节上均达到预期效果。

3.3 利用AI技术完成流体特效、光影模拟和细节优化

流体与物体的交互是电影视效制作中的难点，如在唱丝场次中，将特效水面与实拍水面融合成为关键环节。制作团队利用AI技术对两者的色彩、亮度、对比度及纹理进行智能分析，通过对比差异与相似之处，确定融合重点区域为水面交界处及光影变化较大的部分。AI技术通过分析实拍素材与环境风格，帮助制作团队确定了水面的整体光影基调，可实现特效水面的色彩、亮度、对比度及纹理等参数的精准调校，使其与实拍水面实现更自然的融合效果，解决了大部分特效与实拍流体动态的视觉差异问题，画面在整体上更为真实连贯，为场景的沉浸感增添了重要细节（图6）。

图6　AIGC计算出Depth和Canny信息进行多角度投射

AI生成素材被广泛用于局部纹理补充，如湖底石头、水面折射效果和山间小屋等模型纹理均通过AI生成的超高分辨率图像进行细节增强。制作团队利用AI生成的超高分辨率图像，提取岩石及植被局部细节纹理，解决了画面中真实纹理不足的问题。瀑布场景的水面折射和湖底石头效果也通过AI生成，应用于画面的局部环境中，使细节更加丰富。山间小屋的墙体和屋顶纹理也通过生成的高分辨率素材得以补充，并结合三维模型进行重绘与调整，使真实感显著提升。

3.4 AI工具辅助抠像与合成

在影片合成环节中，制作团队利用Nuke的CopyCat[13]工具（通过使用少量示例帧来训练神经网络，从而在整个序列中复制这些效果）和ComfyUI工具（一款强大的稳定扩散GUI工具，用于生成和操作AI图像）[14]显著提升了抠像与画面合成效率。制作团队先以人工制作的高质量抠像关键帧为样本，训练神经网络，生成对应模型“.cat”文件，准确地将图像关键特征和转换规则运用于同类镜头的解算制作，快速处理整段镜头的抠像任务。翰林图画院场景中有大幅度镜头调动，运动模糊下人物的清晰抠像难度增加，该方法可预先处理80%以上的画面问题，一定程度上解决了演员服饰与背景色调相近、舞蹈动作幅度大等复杂问题。精准的色彩分离与动态追踪技术，不仅大幅缩短了后期制作周期，还确保了抠像画面的精细度与自然感，从而保证了整体画面质量。

在唱丝场次与展卷场景的制作中，制作团队将Midjourney与ComfyUI结合，通过文本描述快速生成高质量概念图用于创意参考和迭代沟通。ComfyUI作为Nuke插件与镜头序列连接，通过ControlNet生成符合机位和角度的素材，例如制笔工坊场景的粗略布局效果图和展卷场景中印章效果的生成画面。AI生成素材偶尔因提示词不足而偏离需求，通过多次测试和调整，成功生成了符合中国风氛围的素材。

3.5 视效质检环节

在影片视效制作与色彩校正方面，AIGC可检测并修复视频中的噪点、抖动、模糊等问题，避免拍摄阶段的技术失误，提高画面分辨率，提升影像资料的画面质感[15]。制作团队开发了一套基于Hiero[16]（与Nuke紧密集成的视频编辑和协作工具）的视效质量检测工具，通过视效管理软件CGTeamwork和Hiero时间线的串接，将部分AI插件写入管理软件，实现了分场次、分环节的快速时间线搭建。该工具支持多维度质检方式，包括前后镜串接质检，检查镜头间的连贯性；对源素材与制作效果对比质检，比对画面效果与原始素材的差异；历史版本效果对比质检，纵向分析不同版本的改进情况；多环节审核整合，快速查看镜头在各制作环节的审核小样。这些功能从不同维度提升了质检效率和判断准确性，为组长和视效总监提供了全局把控镜头质量的便利。

在项目的实际制作中，质检工具展现了极高的效率与便利性。进入Hiero质检工具后，用户只需选择项目名称、场次及制作环节，就能一键将所有提交备检小样导入Hiero时间线。时间线的多维度审核方式支持横向检查前后镜的连贯性、纵向比较不同制作环节的延续性，同时实时监测镜头进展与修改记录。在唱丝场次的制作中，工具的高效运用显著提升了审片效率，确保了镜头连贯性与制作质量，为质检工作提供了全面技术支持。

4 AI技术应用对制作品质与效率的提升

4.1 品质提升

AI作为新时期前沿技术驱动力，正在重塑影视制作行业的全流程，这些技术创新不仅优化了制作流程，降低了生产成本，更推动了行业向智能化、工业化方向发展。未来，AI技术的持续演进将为影视制作带来更多可能，迭代的AIGC技术将拓展创意表达的边界，全流程智能化生产将实现更高效的协同创作，整体提升作品品质。借助AI大模型的力量，未来的影视作品将呈现出更逼真、生动的虚拟角色和场景。这些虚拟元素将与现实世界无缝融合，为观众带来前所未有的观影体验[17]。

4.2 效率提升

AI工具主要在以下几方面显著提升制作效率。第一，创意思路的开拓和发散。在影片初期概念设计中，针对主创对视效方案极高的要求和标准，可使用AI生成参考图提升方案设计效率。第二，在摄影机追踪和反求环节，AI软件内置的智能化工具在复杂动态镜头追踪中提升了精准度；AI质检工具高效完成了前后镜头串接、原素材与制作效果对比、历史版本对比等多维度质检，显著减少了人工质检的时间和误差。第三，大幅减少了人工投入与时间消耗，尤其是在复杂场景如群体人物动态抠像和精细毛发画面的ROTO制作中，约能减少2/3的制作时间，让制作团队得以将主要精力放在画面艺术效果处理上。AI技术的全面应用，使《只此青绿》的制作过程更加高效流畅，同时确保了最终作品的高质量输出。

5 经验和思考

5.1 AI技术在电影制作中的不足和局限性

在电影《只此青绿》制作中，AI工具的应用显著提升了效率和创意产出，但在实践中仍存在多方面挑战，在细节处理、复杂场景适应性和效果稳定性等方面的问题尤为凸显，需结合具体项目特点提出相应解决方案。AI工具在面对动态光影、微小纹理和复杂特效场景时，生成结果往往难以达到大银幕放映的审美需求，在处理高频动作与背景融合部分时，需大量人工精细调整才能达到预期效果。

AI工具在复杂场景中的应用表现也存在不足，画面中的微小元素有时会发生晃动闪烁问题，仍需通过手动优化动态缓存参数调整。这表明在处理复杂动态场景时，AI技术仍需大量人工干预才能确保画面效果和质量。

在情感理解层面，AIGC技术生成的内容缺乏对影片主题和艺术精神的深层理解。《只此青绿》以中国传统文化和艺术为核心，对画面气质和意境要求极高。在部分场景生成中，即使在提示词准确的情况下，初版画面仍然会出现与风格不符的科幻元素，需通过不断调整提示词和人工筛选来确保生成方向正确。

在复杂场景适应性方面，AI工具也表现不足。例如，瀑布的水流与岩石交互特效及雨水和水面交互的动态特效等，生成的素材可提供一些基础参考，但在动态模糊、复杂光影处理上的精准度不足，仍需大量人工干预。此外，生成结果受样本和提示词描述影响较大，而技术整合与兼容性问题也成为一大难点，部分AI工具与现有制作软件的集成度有限，操作复杂性且技术门槛较高。

5.2 面临的挑战与解决方案

实践表明，AIGC更适于作为人工创作新工具，通过AIGC生成与人工的结合，高效完成复杂场景创制任务，为设计提供快速迭代的便利，最终画面质量则需通过人工优化得以保障。但在依赖AI技术的同时，创作者也可能会过度追求效率，忽视了独立思考和创新[18]。

为应对挑战，在AIGC技术生成的基础上，应不断提升制作人员审美和制作水平，确保实现高质量的细节优化。视效制作人员通过学习相关艺术风格的图像，手动优化动态效果，确保画面真实自然。这一人机协作模式将会带来新的视角[19]，不仅弥补了AIGC技术生成的不足，还提升了制作效率与艺术表现力，为复杂场景的视效制作提供了高效解决方案。

优化技术整合与工作流程也是解决方案的重要方向。通过对现有流程的调整，逐步提高AIGC与传统工具的兼容性，简化使用成本，如调整软件的脚本配置，使其更高效地融入视效工作流程。团队还建立了严格的质量控制机制，人工干预生成素材，确保风格一致性，使视觉效果符合项目需求。

6 结语

电影《只此青绿》的制作实践表明，当前AIGC技术在影视制作中的最佳应用方式仍是将其作为辅助工具，与人工创意形成互补。随着算法的不断优化、数据的持续积累以及硬件计算能力的逐步提升，未来这项技术有望实现更加复杂的视频内容生成，在质量和流程控制方面实现质的飞跃，与影视制作的传统流程实现更紧密的融合。

AIGC技术在电影《只此青绿》中的应用，不仅帮助团队高效完成繁琐的基础工作，还通过优化细节和提升艺术表现力，为影片带来了全新的视觉体验。我们还可通过引入更多不同类型的影视作品和艺术风格的数据来训练 AI大模型，以扩大其学习范围和创造力[20]。未来，随着AIGC技术的不断发展，其在影视制作中的应用场景将进一步扩展，不仅能够显著提升制作效率，还为创作者在设计风格、艺术表现和技术实现方面提供了更多可能性。当然，AIGC技术的影视实践也表明，只有将技术与人类创意有机结合，才能真正推动影视制作工艺的创新与突破[21]。

参考文献

（向下滑动阅读）

[1] 陈佛计,朱枫,吴清潇,等.生成对抗网络及其在图像生成中的应用研究综述[J].计算机学报,2021,44(02):347⁃369.

[2] 中国电影资料馆.“小景自足”与“全史在胸”——影片《只此青绿》观后谈美学与历史观[EB/OL].(2024⁃10⁃18)[2025⁃02⁃26].https://www.cfa.org.cn/cfa/yj/lwby72/2024101821233998052/index.html.

[3] 张钢.《只此青绿》：电影艺术和舞蹈艺术完美结合[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技术的影视内容生产与创新研究[J].影视制作,2024,30(11):95⁃99.

[5] 李莉,吴菲.基于CycleGAN和时频分析的艺术图像风格转换[J].计算机时代,2020(12):41⁃46.

[6] 郭宇轩,孙林.基于扩散模型的ControlNet网络虚拟试衣研究[J].现代纺织技术,2024,32(03):118⁃128.

[7] 王玉珏.数字绘景结合三维投影的立体空间呈现研究[J].现代电影技术,2022(10):36⁃42.

[8] 标记狮社区.Midjourney Prompt应该怎么写丨Prompt结构万能公式[EB/OL].(2023⁃05⁃17)[2025⁃02⁃26].https://mmmnote.com/article/7e7/05/article-c3420e0b0710fc45.shtml.

[9] 陈宝权,李道新,孙立军,等.基于人工智能技术的未来影像研究与思考[J].现代电影技术,2024(12):4⁃12.

[10] 李骁逸.基于RealityCapture和SpeedTree平台的园林古树三维建模研究[J].信息技术与信息化,2024(05):216⁃220.

[11] 柳翠明,夏小科,陈可蕴,等.顾及深度变化的三维模型与视频融合可视化[J].地理空间信息,2023,21(06):7⁃11,38.

[12] 呼亚萍,孔韦韦,李萌,等.基于边缘检测全变分模型的图像去噪方法[J].现代电子技术,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] 刘子洋.AIGC浪潮下的影视生产——模式创新与风险审视[J].西部学刊,2024(16):36⁃39.

[16] HIERO 1.5与HIERO PLAYER正式发布:多个重大升级、支持Windows系统[J].影视制作,2012,18(11):95.

[17] 新浪财经.追光动画与阿里影业达成战略合作 携手布局文化IP产业[EB/OL].(2024⁃08⁃20)[2025⁃02⁃26].https://baijiahao.baidu.com/s?id=1807894319316319809&wfr=spider&for=pc.

[18] 赵瑜,张亦弛.ChatGPT将如何影响影视产业?——生成式人工智能背景下的影视产业发展趋向[J].电影新作,2023(02):4⁃13.

[19] 黄水清,陈安铧.人机协作背景下A科技公司研发人员人力资源管理实践研究[J].老字号品牌营销,2024(22):160⁃162.

[20] 白道欣,赵苏.基于AIGC的影视制作提升路径思考[J].中国传媒科技,2024(08):138⁃141.

[21] 宁可欣,杨静.人工智能驱动影视内容智能化生产的创新实践研究[J].人工智能,2024(06):96⁃105.