《现代电影技术》｜陶学恺等：技术降本与创作增效：AI驱动下的虚拟摄制技术研究

本文刊发于《现代电影技术》2025年第5期

作者简介

陶学恺：浙江传媒学院电视与视听艺术学院讲师、硕士生导师，主要研究方向：影视技术、影视制作、影视色彩；

王嘉乐：浙江传媒学院电视与视听艺术学院硕士研究生在读，主要研究方向：虚拟摄制。

摘要

为解决虚拟摄制技术存在的高额投入制约产业规模化应用的问题，本文结合短片《梦境迷航》的创作实践，对基于人工智能（AI）技术的虚拟摄制降本增效路径进行了系统探讨，并提出投影介质光学特性与摄影机参数的量化控制模型，实现了《梦境迷航》中AI辅助投影显示系统精准校准及摄影机曝光参数的精确控制。研究表明，AI技术在缩短影视生产周期、提升影像品质、影视数字资产的快速生成等方面展现出显著优势，能有效实现虚拟摄制的降本增效；所提出的量化控制模型可为虚拟影像生产中的精确曝光控制提供可行方案。

关键词

人工智能（AI）技术；虚拟摄制流程；影像生产效能

1引言

虚拟摄制作为电影工业的一项革命性进展，其核心在于深度整合Unreal Engine等实时渲染引擎、高精度摄影机追踪技术以及LED背景墙，从而构建出一个能让创作者在拍摄现场即时观察到最终或接近最终画面效果的视觉环境。这种技术范式实现了从动态预演（PreViz）到拍摄环节的实时视觉反馈与交互，使导演、摄影师等主创能直接基于演员表演与虚拟场景融合后的实时画面进行构图、光线及表演调度等艺术决策，显著提升了创作自由度与制作效率，并将大量传统上属于后期特效合成的工作前置到实拍阶段[1]，即 In⁃Camera VFX。以影视剧集《曼达洛人》[2]等项目为代表的成功实践，已充分证明虚拟摄制在处理复杂视觉效果、优化制作流程上的巨大价值。然而，当前主流的、基于高规格LED的虚拟摄制方案，动辄数百万乃至数千万美元的建设投入，且需持续的专业团队运维成本投入，造成了显著的行业壁垒，极大地限制了这项变革性技术向更广泛的影视项目，尤其是中低成本制作领域的渗透与普及。

近年来，随着人工智能（AI）技术的迅猛发展，面对虚拟摄制高成本的现实挑战，AI技术无疑为探索更具经济效益和灵活性的虚拟摄制路径提供了新的契机。AI技术在图像、视频乃至三维模型生成方面的快速发展，展现了其自动化、高效率产出多样化数字内容的强大能力，恰好能与虚拟摄制降本增效的需求形成互补。本文的主要内容旨在梳理AI技术的加持下，通过对低成本投影方案的虚拟摄制项目《梦境迷航》的实践案例进行系统性研究，总结提炼AI技术在低成本实际应用中实现降本增效、提质升级的具体机制与可行路径。

2AI驱动下的虚拟摄制效能优化研究

AI技术正通过其独特的自动化生成、模式识别和快速迭代能力，对虚拟摄制流程中资源使用密集、时间消耗大的环节进行重塑，从而在生产周期、影像品质、数字资产规模化及场景构建成本等关键效能指标上带来系统性优化。

2.1 AI助力前期概念设计与预览

在传统虚拟摄制流程下，前期筹备阶段动辄数月。AI对此阶段重塑效能体现得淋漓尽致，通过赋能概念设计与动态预演这两个关键环节，可显著压缩传统电影制作中较为漫长的生产周期。

传统流程下，美术概念图与场景气氛图的制作遵循严密的线性协作流程，创作者们前期需经历高密度的剧本细读、设定研讨等创意沟通，概念艺术家在此基础上需经历数轮画面调整，从而锚定电影视觉基调，形成便于其他部门理解的视觉蓝本，同时直接影响场景建构、现场拍摄与后期制作等的技术实现与美学呈现。AI技术的介入重构了传统创作模式，人机协同的工作方式优化了传统的创意实现流程，生产效率飞速跃升，创意表达得到极大拓展。在Midjourney、Stable Diffusion等AI工具的参与下，创作者输入文本描述，即可在几分钟内获得数十种视觉方案[3]。这种效率的量级提升，使视觉风格探索和关键镜头设计的周期从周缩短至天甚至小时，极大加速了创意决策过程[3]。线性工作流正逐渐消解，创意生成与视觉呈现已几乎实现同步推进，艺术家可借助AI工具对画面进行替换场景元素、改变环境氛围等的局部动态调整，加速创意迭代。AI的参与将艺术家从体力劳动中释放出来，延伸了创意边界。

动态故事板是实现影片动态预演的核心环节，也是分镜头脚本发展的下一阶段，导演和分镜师根据文字剧本绘制出可视的故事板，对于特效镜头多、拍摄难度大的项目，为验证其可行性、及时调整画面内容等，需对静态的故事板进行复杂建模与动画制作，生成动态预演。传统的动态预演与三维动画的制作几乎无差，制作成本高，制作效率难以保证。Runway或Pika Labs等AI视频生成工具能够根据文本或图像快速生成动态片段，2024年9月，猫眼娱乐发布了首个针对长剧本的AI动态故事板生成工具——神笔马良。AI技术的参与使制作动态故事板或动态预演视频的效率远高于使用传统3D动画技术，为镜头设计提供了更即时的动态参考。更有异于传统动态预演的是，AI智能生成声音极大地丰富了影片动态预演的效果，打破了传统动态预演的失语状态。

2.2 AI助力数字资产快速生成

在好莱坞影片的制作体系中，后期制作周期平均占据项目总周期的34%，奇幻片后期耗时远远超过其他类型片，大概在一年左右[4]。以电影《复仇者联盟4：终局之战》为例，电影中共有2698个镜头，其中2496个镜头涉及视觉特效[5]。从广义角度而言，一切与电影表意、电影制作相关的语言元素和有形资产都可以被数字化，包括摄影机、演员角色、空间场景、人物造型以及与视听相关的一切图形、符号、音乐、音效等[6]。虚拟摄制技术虽有后期前置优势，但高质量数字资产的前期准备工作依然是高度劳动密集和时间密集型过程[1]。AI技术的介入，尤其是在资产制作环节，能够显著压缩时间成本。

传统三维资产创建流程复杂，需经过概念设计、建模、UV展开、材质绘制、骨骼绑定等环节，耗时数周甚至数月，且高度依赖资深特效师的手工操作，而AI技术通过多模态学习框架重构了生产范式。例如，环球墨非（北京）科技有限公司自主研发了Mofy Lab技术平台，通过三维重建技术和AI交互技术，将真实世界中的人、物、场转换为虚拟世界通用的数字资产，分辨率达到4K级别[7]。

（1）纹理材质的快速生成。Adobe Substance 3D Sampler等工具利用AI，可从一张照片快速生成完整的基于物理的渲染（Physically Based Rendering, PBR）材质，将原本需要数小时甚至数天的纹理绘制工作缩短到分钟级。其文本到纹理（Text⁃to⁃Texture）功能允许艺术家通过自然语言描述（如“带有复杂旋转雕刻的抛光金属”）即时生成PBR材质，系统可自动输出四种参数化材质变体供选择。这种基于深度学习（DL）的生成方式，不仅将传统制作中需要数小时的手动纹理绘制工作压缩至分钟级，更突破了物理原型、库存图像等传统创作手段的限制。

（2）背景深度通道的高效产出。利用AI生成高分辨率背景图像或带有深度信息的图层，其效率远超传统手工数字绘景（Matte Painting）或简单3D建模[8]。一个复杂的2D背景图生成可能仅需几分钟计算时间。通过Stable Diffusion等工具将线稿生成3D图像，再使用Marigold模型[9]提取深度信息。需配合ControlNet约束重绘细节，并通过ZBrush调整模型高度与抛光参数，即可快速实现高精度深度图像通道。

（3）基础3D模型与扫描辅助。虽然当前通过文生3D（Text⁃to⁃3D）直接生成3D模型的精度仍受限于拓扑结构合理性，但其在快速原型构建领域已显现实用价值。结合神经辐射场（NeRF）与3D高斯泼溅（3DGS）等前沿技术，三维场景的重建和渲染仅需使用一个视频或一组多视角照片[10]。以《黑神话：悟空》为代表的次世代游戏作品，正是通过这类技术实现了古建筑场景的高效数字化，其扫描建模效率较传统流程提升显著。值得关注的是，3DGS技术凭借数百倍于传统方法的渲染速度，正在推动实时高精度三维重建的工业化应用。

2.3 AI 技术增强影像细节表现

在影像质量方面，AI技术凭借其在微观细节与质感表现上的独特优势正逐步提升影像品质标准，其在高精度超分辨率影像修复、质感还原与程序化细节生成等层面的突破，为在有限预算下实现影像的高品质表现开辟了可行路径。基于深度学习的超分辨率算法可对低分辨率素材进行纹理重建与损伤修复，AI超分辨率工具Topaz Video AI[10]在提升低分辨率素材或数字资产中纹理的清晰度方面展现出卓越效能。针对素材的降噪，AI算法依托先进的图像识别技术，对画面中的各类元素加以甄别，在消除数字传感器噪点的同时，保留皮肤纹理、物品质感与自然环境细节，有效平衡画质纯净度与真实感。程序化生成技术结合物理仿真模型，可批量创建符合场景逻辑的微观元素。结合AI的理解能力，可指导程序化工具生成更自然、更符合场景逻辑的微观细节。对于大规模群体场景，算法通过生物运动学分析，为每个数字角色赋予差异化行为特征，显著提升背景人群的真实性。AI技术赋能的精细化制作模式，使中小预算项目有机会实现高品质的影像呈现，为行业创作生态注入新的可能性。

3AI驱动下的低成本实践探索

为将理论探讨付诸实践，验证AI技术在低成本虚拟摄制流程中的实际效能与面临的挑战，笔者团队策划并执行了实验性短片项目《梦境迷航》。该项目以AI为核心技术驱动，选择了成本相对更可控的投影方案进行虚拟摄制，旨在探索一条适用于中小型制作团队的智能化虚拟摄制新路径。

《梦境迷航》是一部5分钟的科幻短片，从创意到成片在48小时内完成，获得了首届中国创新影像大赛三等奖等多个奖项。其核心创意围绕主角驾驶飞船在沙漠中找到返航的线路，视觉上要求快速切换并呈现出超现实、日夜、晴雨变化。考虑到项目的实验性质和严格的预算控制要求，我们放弃了高成本的LED背景墙方案，转而考虑低成本的投影或绿幕方案。但绿幕方案需尽可能区分演员与幕布颜色，这导致演员的妆造面临部分局限。现场拍摄时绿幕的颜色也会在灯光下溢出到演员周围的物件上，对后期抠像造成影响[11]。最终团队采用民用级激光投影仪方式构建虚拟摄制环境。演员在投影幕布前方限定区域内表演，摄影机配合HTC VIVE Mars实时追踪系统进行拍摄，力求在现场获得尽可能完成度高的虚实结合画面（图1）。

图1　《梦境迷航》短片虚拟摄制技术流程

3.1 短片拍摄的技术流程

在剧本创意阶段，使用GPT⁃4来进行创意快速生成，再结合创意团队的偏好进行筛选。把软件Previs Pro[12]中生成的故事板静帧图像导入Runway[13]中，再配合提示词（Prompt）以生成多个关键镜头的预演视频。预演视频可用于快速验证镜头设计、转场方式和整体节奏。这一阶段极大压缩了传统手绘故事板和3D动态预演动画的制作时间。除此之外，利用GPT⁃4对已经确定好的分镜头脚本进行拍摄排序表的构建，通过输入“以美术道具优先，后大景别优先，再灯光优先”为拍摄顺序优先级，可即时在原分镜头脚本基础上重新排序，生成拍摄顺场表，优化了拍摄镜头安排，提升了拍摄效率。

在数字资产准备阶段，短片的沙漠场景中，远处背景中的山峰、沙丘等数字资产借助Blockade Labs推出的Skybox AI[14]工具生成。通过提示词生成3D全景图像，导入Unreal Engine引擎中完成沙漠场景的资产生成。在生成的模型上，还存在材质粗糙等问题，我们首先将粗糙的材质尽量放置在远离虚拟摄影机的位置，再将少量更精细的模型置于靠近虚拟摄影机的位置，以解决AI生成模型粗糙的问题。而针对AI生成模型难以二次修改的问题，我们将多次生成类似风格的AI模型分割并拼凑在一起，使整个AI模型符合短片需要。除此之外，数字人角色“小风”的声音资产生成借助字节跳动推出的豆包大模型，配合预设好的台词、音色、性格设定生成的数字人角色，与主角进行对话的方式提供对白的声音资产。

在投影系统校准阶段，实验性地尝试拍摄包含标准色卡的投影画面，导入开源程序RoughProfiler[15]中，对比分析出色彩偏差与专业设备读数的一致性，探索AI辅助校准的可能性。初步发现AI分析能大致判断色偏方向，但精度欠佳，略逊于人工通过DaVinci Resolve生成校准查找表（LUT）。因此，实践中主要采用传统方法，将实拍画面送入后期软件DaVinci Resolve对投影仪进行色彩和曝光校准，生成校准LUT。

在现场实时合成与拍摄阶段，将背景素材导入Unreal Engine，利用Aximmetry[16]等工具与投影仪和摄影机追踪系统连接。演员在幕前表演，导演通过监视器实时观看初步合成画面。现场未使用复杂的AI实时交互功能，主要依赖传统方式进行灯光调整和演员调度。

3.2 基于AI的投影系统精准校准方法

利用投影进行虚拟摄制的成败很大程度上取决于投影画面能否被摄影机忠实且一致地记录下来，这要求创作者对从信号源到投影画面的显示链路进行精确的色彩和亮度校准。传统校准流程依赖专业硬件如色度计、分光光度计等，不仅成本高且操作相对复杂，对于资源有限的团队构成挑战。我们尝试探索利用AI图像分析能力，来辅助甚至简化这一过程。

图2　《梦境迷航》短片AI辅助投影系统校准流程图

《梦境迷航》短片AI辅助校准流程（图2）：

（1）基准图像生成与投影。使用标准色彩管理软件生成包含一系列精确定义色块和灰阶的校准图案，例如模拟 GretagMacbeth ColorChecker SG 或自定义色块阵列，将此图案通过投影仪无失真地投射到投影幕布上。

（2）标准条件拍摄。在严格控制的环境光条件下（理想为全黑环境），使用目标摄影机和镜头，以其原生色彩空间如 S⁃Log3/S⁃Gamut3.Cine和标准白平衡设置，精准对焦并拍摄投影在幕布上的校准图案。确保画面无过曝或欠曝，色块清晰可辨。

（3）AI图像分析。利用基于深度学习开源项目 RoughProfiler[15]编写的脚本，对拍摄到的校准图案进行色块识别和色彩提取（图3）。利用图像识别算法如基于模板匹配或特征点检测，自动识别并精准定位图像中每个色块或灰阶块的区域。在每一定位到的区域内，计算平均RGB或Lab色彩值和亮度值。对比提取到的实际拍摄值与校准图案的理论标准值，计算出每一色块在色度、饱和度、亮度上的偏差值ΔE。

图3　RoughProfiler的色块智能识别

（4）校准参数/LUT生成。根据计算出的偏差数据，AI模型可通过以下方式生成校准方案：如果投影仪提供精细的色彩调整选项如RGB增益/偏移、多点灰阶调整，AI模型可反向推算出最优的参数设置建议。更理想的方式是，AI模型直接根据偏差数据，利用色彩空间变换算法生成3D LUT文件。其可直接应用于播放信号源或投影仪本身，对色彩和亮度进行精确补偿。

（5）验证与迭代。应用生成的校准参数或LUT，重复步骤（2）（3）进行拍摄和分析，验证校准效果。如果偏差仍超出可接受范围（如

ΔE

在本项目中，我们主要实践了上述流程的（1）—（3），即使用标准色卡拍摄，使用RoughProfiler完成色彩提取的脚本编写。最终效果见图4，从左至右分别为校正前图像、校正后图像与标准参考色卡。实践结果表明，AI自动识别和提取色彩是可行的，能够量化出与肉眼观察一致的色偏方向。但要达到生成高精度校准LUT所需的分析精度和稳定性，还需更复杂的模型训练和对光照、镜头畸变等因素的补偿算法。尽管目前完全依赖AI进行电影级/广播级投影校准尚不现实，但AI在简化校准流程如自动识别分析、提供初步诊断、辅助参数调整等方面已展现出潜力。未来随着AI图像分析和色彩科学模型的进一步发展，开发出低成本、易于使用的AI辅助校准工具是完全可能的，这将极大降低利用投影进行虚拟摄制的技术门槛。

图4　校正前后图像与参考色卡对比

3.3 投影介质光学特性与摄影机参数的量化控制模型构建

在利用投影进行虚拟摄制的实际拍摄中，如图5所示，需精确控制摄影机曝光以实现前景主体与投影背景间和谐的亮度关系，以确保画面融合自然、避免背景过曝或发灰。这需要对光线从投影仪出发，经幕布反射或透射，混合环境光，最后进入摄影机内光线的强弱进行量化。然而，精确测量所有复杂的光学参数如角度相关的双向反射/透射分布函数 （BRDF/BTDF），并建立普适的物理模型极其困难，且不适用于快节奏的拍摄现场。

图5 　《梦境迷航》短片虚拟摄制现场（上）与最终成像效果（下）

因此，在《梦境迷航》项目中，我们采取了一种经验数据驱动的简化模型构建方法，旨在为特定拍摄设置（固定的投影仪、幕布、摄影机、基础前景布光方案）建立一个实用、快速的曝光控制参考。其核心思想是利用摄影测量中常用的 T 值光圈读数，即曝光档位语言[17]，作为统一的亮度衡量与控制单位，建立投影背景亮度与所需前景布光强度之间的相对关系。模型构建与应用流程如下：

（1）对拍摄场景进行定光。在预设的前景布光环境下，使用标准18%灰卡来辅助确定曝光时的摄影机核心参数组合[17]，其镜头 T 值光圈读数，即摄影机针对前景主体的基准曝光亮度值，记为

T_ fg

（2）测量投影机的投射画面亮度。保持前景布光条件和摄影机位置不变，使用投影仪向幕布中心区域投射一个标准18%灰的画面。使用设置好曝光基准参数的测光表，精确测量此18%灰投影画面在幕布上的反射亮度。将测光表T 值光圈读数，即预期测得的投影背景平均亮度值，记为

T_ proj

底子光（Base Light）是保证前景画面最暗信息可以被记录的标准光照环境，而建立经验模型的目标是找到前景底子光相对于投影背景亮度的应有档数差，以获得视觉上平衡的画面。保持摄影机曝光基准不变，依次更改投影仪到投影幕布的距离，以改变投影反射亮度，对每种投影亮度，测量其对应的

T_ proj

T_ proj

T_Base

T_ proj

T_Base

基于以上流程，我们发现在《梦境迷航》实践的特定设置下，采用亮度为2200ANSI流明的激光投影仪（投射比 1.5∶1），与投影幕布呈45°夹角的侧投角度进行测试。为获得自然的融合效果，前景底子光、投影背景平均亮度、前景曝光基准这三个测光表读数

T⁃stop

为确保前景主体与背景融合的视觉效果，需要对前景光和背景亮度进行恰当匹配，再使用调色软件以消除投影仪背景显示质量问题。基于此，我们提炼出一个简化的经验模型：在基于选定的ISO和快门速度/角度，设定好摄影机针对前景主体的基准曝光

T_ fg

T_ proj

T_ proj≈T_fg×2

1

=2×T_ fg

即，

T_ proj

T_ fg

T_Base

T_ fg×2

1

≤T_Base≤T_ fg×2

1.5

或者近似为：

2×T_ fg≤T_Base≤2.83×T_ fg

即，需要设置的

T_Base

式（1）—（3）为基于实践经验的曝光模型，旨在提供一个基础参考值。在实际拍摄中，最佳的亮度关系设置还需考虑投影设备的具体亮度、投影幕布材质的反光特性、前景主体的色彩与反光率、摄影机的动态范围以及最终的艺术效果追求等多种因素，并进行相应微调。

该曝光模型研究方法提供了一种将复杂的曝光关系简化为可操作参考的有效方法。其将灯光师、摄影师的工作统一在同一曝光标准下，使前景与背景的亮度匹配更加直观和可控，为其他采用投影方案的虚拟摄制案例提供曝光控制思路参考。但本次测试数值仅适用于本案例的光照环境及摄制设备，且实际效果会受到投影仪性能、投影幕布材质、环境光控制、画面内容、镜头特性以及导演具体艺术要求等多种因素影响。

4AI驱动下的虚拟摄制技术局限性分析

《梦境迷航》短片项目的实践，不仅验证了AI驱动下虚拟摄制的可行性，也让我们清晰地认识到当前阶段该技术路径所面临的显著局限性。

当前AI技术在电影制作应用中仍面临关键的可控性与品质瓶颈。尽管可通过提示工程（Prompt Engineering）、ControlNet及LoRA微调等手段提升可控性，然而生成内容的细节精准性仍显不足，尤其是在处理复杂纹理和精细结构时。此外对于动态序列，其时空一致性也难以保证，容易出现闪烁和变形，这表明实现像素级的精准控制仍然困难。同时，现有AI生成的图像与视频在分辨率、色彩深度、动态范围及伪影控制等方面，与电影工业严格的ACES色彩工作流及高码率标准相比存在明显差距[6]，直接应用于大银幕可能暴露瑕疵。此外，直接生成的3D模型资产常因拓扑混乱、UV缺失、材质粗糙等问题难以融入标准绑定、动画与渲染流程，而NeRF、3DGS等新兴重建技术虽效果显著，却受限于高昂的实时渲染成本、后期编辑难度及苛刻的数据采集要求。

虽然在使用投影方案作为LED屏幕的“平替”时，由于投影的成像特性，使其完全避免了传统LED虚拟摄制带来的摩尔纹问题，但投影方案的虚拟摄制方法依旧有较多的技术缺陷与实践困难。首先，投影设备的固有亮度相较于LED屏幕存在显著差距，在环境光较强的场景下会导致画面对比度降低，暗部层次信息易丢失，因此对现场光线控制以及前景照明与背景投影亮度的精确协调提出了严苛要求。其次，投影技术受限于物理空间布局，需足够的投射距离，且投影幕布材质的增益特性往往带有方向性，限制了观看角度，进而束缚了摄影机的移动自由度和取景选择，其灵活性不及LED屏幕。最后，投影系统的色彩准确性管理更为复杂，其最终色彩表现是投影机自身光谱、投影幕布反射特性及环境光色彩相互作用的结果，实现精确的色彩校准并维持稳定性，比自发光的LED屏幕面临更大困难，故而周密的环境光控制是确保投影画面质量不可或缺的一环。

在制作流程上，当前将AI技术融入虚拟摄制流程面临显著的整合与标准化障碍。一个关键挑战是，如何将现有AI工具与行业主流平台（如Unreal Engine、Unity）以及后期制作软件（如Nuke、DaVinci Resolve）进行成熟且统一的整合，目前尚无完善的解决方案。数据交换常依赖手动操作或非官方开发的插件，阻碍了高效的协同作业与自动化流程。同时，AI产生的大量数字资产往往缺少规范化元数据支持，给资产的有效检索、系统化管理和版本追踪带来了新的难题。更为关键的是，围绕AI技术的法律、伦理与安全问题亟待解决[8]，包括训练数据来源的合规性、生成内容的知识产权界定、算法潜在偏见以及深度伪造等技术的滥用风险，这些都需要在技术规模化应用前建立明确的规范与审慎的考量框架。

5 结语与展望

当前，AI技术深度融入电影虚拟摄制流程中虽展现巨大潜力，但仍面临若干核心挑战。技术层面，AI生成内容的可控性与细节品质尚未完全达到电影工业的严苛标准，尤其在动态序列的时空一致性与高精度三维资产构建上存在瓶颈。工作流程层面，AI工具与主流制作软件间缺乏标准化、高效率的整合方案，导致数据流转不畅，同时，海量AI生成资产的管理与元数据规范亦是难题。此外，版权归属、伦理规范及数据安全等非技术性问题[18]也亟待建立行业共识与标准，这些共同构成了当前阶段AI技术在虚拟摄制领域规模化、高质量应用的主要障碍。

尽管存在上述挑战，但随着投影、绿幕等低成本显示介质虚拟摄制解决方案的逐步完善，与AI技术相结合的技术方案正催生前所未有的机遇。最显著的是其在降低制作成本、提升生产效率方面的潜力，使虚拟摄制技术对资源有限的中小型项目更具可行性，从而拓宽创作边界。在电影数字资产标准体系建立方面，我国也在积极推动国家电影数字资产平台的建设，建立并完善电影数字资产的标准体系，使其涵盖数据采集、存储、处理、交换等全链条环节的标准制定[19]。数字资产平台的健康发展和数字资产可用量的增多，也将为AIGC大模型的训练提供更多训练数据，解决训练数据集不足的问题[20]。随着技术的快速迭代与优化，以AI技术配合低成本显示介质探索的虚拟摄制解决方案，有望成为加速虚拟摄制普及的关键助力。《梦境迷航》对小成本虚拟摄制降本增效路径进行了探索，以AI技术为助力，结合低成本投影方案，成功实现在千元级制作成本下完成了接近标准LED虚拟摄制的效果。

展望未来，低成本虚拟摄制解决方案是大势所趋，与AI技术结合预示着一个影像生产范式的到来。随着微短剧等新形态视听作品的数量激增，对制作效率的要求越来越高，而观众对于该类作品的质量要求及审美取向也会逐渐向电影级水准看齐。低成本虚拟摄制解决方案无疑可在制作质量和成本效率上寻求合适的平衡点。在人才培养方面，低成本的虚拟摄制技术也更加容易被引入影视专业的教学及实践创作中，进一步扩大虚拟摄制的人才储备。这种技术融合不仅预示着生产流程的深度重塑，更对创意表达与叙事边界的拓展提出了新的可能性与挑战。最终，这将促进形成一个更为多元化、动态化且技术迭代更为迅速的影像创作生态系统。

※ 本文系中国电影电视技术学会首届中国创新影像大赛三等奖作品《梦境迷航》支持技术论文。

参考文献

（向下滑动阅读）

[1] 陈奕.全流程实时可视化：电影数字虚拟制片的创新与突破[J].电影艺术,2022(03):116⁃124.

[2] HOLBEN J. The Mandalorian: This Is the Way[EB/OL]. [2025⁃04⁃23].https://theasc.com/articles/the-mandalorian.

[3] 车畅,谢辛.“趋真”生成：电影美术概念图的AI技术应用研究[J].现代电影技术,2024(05):35⁃41.

[4] 中国电影网.好莱坞影片制作周期揭秘 平均一部用时871天[EB/OL]. [2025⁃04⁃23]. https://www.chinafilm.com/gjhz1/4832.jhtml.

[5] GIARDINA C.‘Avengers: Endgame’ Contains 200 Aging and De⁃Aging VFX Shots[EB/OL]. [2025⁃04⁃23]. https://www.hollywoodreporter.com/movies/movie-news/avengers-endgame-200-aging-de-aging-vfx-shots-1227747/.

[6] 孙承健.电影数字资产的联动效应及其产业价值和意义[J].当代电影,2020(06):4⁃10.

[7] 孙琳,宁金辉,于明,等.虚拟数字资产标准化进展及共享机制研究[J].影视制作,2024,30(07):46⁃50.

[8] 陈军,王徐尔,赵建军.AIGC在电影虚拟摄制中的应用探索与实践[J].现代电影技术,2025(01):7⁃15.

[9] KE B, OBUKHOV A, HUANG S, et al. Repurposing Diffusion⁃Based Image Generators for Monocular Depth Estimation[EB/OL]. [2025⁃04⁃23]. https://arxiv.org/abs/2312.02145.

[10] 姜山,徐乙丹.AI技术在电影创作生产中的应用分析与展望[J].现代电影技术,2024(08):53⁃58.

[11] 董浚,张酌彬.电影《曼达洛人》中的LED虚拟摄影技术应用及其发展[J].影视制作,2023,29(12):35⁃39.

[12] Previs Pro.Create Production⁃Ready Shotlists and Storyboards Fast.[EB/OL]. [2025⁃04⁃23].https://www.previspro.com.

[13] RUNWAY AI, INC.Introducing Runway Gen⁃4 [EB/OL].(2025⁃04⁃01) [2025⁃04⁃23].https://runwayml.com/research/introducing-runway-gen-4.

[14] Blockade Labs.Skybox AI[EB/OL].[2025⁃04⁃23]. https://skybox.blockadelabs.com.

[15] PEREIRA J. RoughProfiler[EB/OL]. (2024⁃09⁃17)[2025⁃04⁃23]. https://github.com/jpereiranet/roughprofiler.

[16] AximmetryCN. Aximmetry SE 产品介绍[EB/OL]. [2025⁃04⁃23]. https://www.aximmetrycn.com/aximmetryse.html.

[17] 董越,巩如梅,雷载兴,等.在摄影过程中正确理解和使用感光特性曲线[J].影视技术,2005(02):18⁃21.

[18] 郑根成.人工智能技术在影视创作中的应用及其伦理审视[J].北京电影学院学报,2024(11):75⁃81.

[19] 王木旺,解沛,张尚乾.国家电影数字资产平台构建的总体设想和技术框架[J].现代电影技术,2024(10):11⁃15.

[20] 方捷新.人工智能技术在数字资产3D建模和场景生成领域的应用研究[J].现代电影技术,2025(02):39⁃44.

【项目信息】教育部产学合作协同育人项目“新媒体时代高校影视技术教学模式创新探究”（231007307180313）；浙江省影视媒体技术研究重点实验室2024开放课题“高格式影像制作技艺及传播研究”（2020E10015）。