《现代电影技术》｜孙立军等：人工智能（AI）影像生成技术与传统影视制作的融合路径及流程标准化研究

本文刊发于《现代电影技术》2026年第6期

专家点评

雷振宇

正高级工程师

中国电影产业集团股份有限公司总工程师

生成式人工智能（GAI）已经跨越最初的“创意尝鲜”阶段，深刻重构着影视行业从传统摄制到后期交付的整条生产线。人工智能（AI）影像生成已从概念图、分镜等前期辅助，演进为能够生成高画质、动态连续影像的生产要素，影视制作由“后期补救”向“前期重资产、流程强控制”发展演进，视觉设定、标准提示词、模型版本等要素正成为可复用、可审计的数字资产库。行业对AI技术的评价正从“好不好看”的主观审美，快速转向“工程是否可控、法律是否合规”的理性审视；语义偏移、角色漂移、时序不稳定等AI特有瑕疵，对传统质检（QC）提出新挑战；数字替身权利、语音克隆授权、训练数据来源合规性，以及生成内容的显式/隐式标识合规性，成为影视发行与流媒体交付的硬性约束。《人工智能（AI）影像生成技术与传统影视制作的融合路径及流程标准化研究》一文，将AI领域新近制定的一系列标准转化为影视一线“哪个节点、由谁执行、如何验收”的具体语言，解决了标准在项目中难以落地的通病；提出的“标准约束-流程执行-质量评价”三层模型打通了传统五大制片阶段；构建的四维评价矩阵与三道合规防线，兼顾了指标的“强制性”与“项目自定义弹性”，是一份实操性强、参考价值高的AI赋能影视制作的实践路线图。

作者简介

孙立军

博士，二级教授，北京电影学院中国动画研究院院长，北京灵耀星科技文化传媒有限公司AI未来电影研究院院长，北京影视动画协会会长，中国电影家协会理事，中国美术家协会理事，主要研究方向：中国动画史研究、动画电影创作、当代艺术创作。

李 毅

硕士，北京灵耀星科技文化传媒有限公司AI未来电影研究院首席技术官，主要研究方向：影视行业人工智能及人工智能影像生成与应用。

翟雪连

大学本科，中国投资协会投资信息专业委员会科幻产业办公室主任，主要研究方向：科幻及未来产业研究、人工智能技术、影视工业化技术。

摘要

人工智能（AI）影像生成技术正在从单点创作工具转变为整个影视制作流程的重要影响因素，其介入对象已由概念图、分镜和短片段扩展至数字角色、虚拟场景、实拍增强、后期补镜头与交付标识等环节。与此同时，传统影视技术体系以摄影、声音、视效、调色、质检和交付为主线形成的质量控制方法，尚难完全覆盖提示词、模型版本、训练数据、生成参数、数字替身权利与生成内容标识等新要素。本文以T/BFAA 0001—2025《人工智能 影像生成与应用 技术要求》以及AI生成合成内容标识、安全、数据标注等相关国家标准为依据，采用标准文本分析与流程映射方法，提出“标准约束-流程执行-质量评价”三层融合模型，并将AI影像生成嵌入立项、筹备开发、拍摄生成、后期交付与评估复盘等阶段。研究进一步构建了由技术合规性、内容质量、流程可控性和权利追溯性组成的融合评价矩阵，提出“生成前预审、生成中控制、交付后追溯”三道防线。研究表明，AI影像生成技术与传统影视制作流程的融合并非仅是单一工具替代，而应被纳入标准化、可验收、可追溯的工程体系。

关键词

AI影像生成；影视制作流程；标准化；质量评价；内容标识

1

引言

近年来，生成式人工智能（Generative AI, GAI）在图像、视频、声音和三维数字资产生成方面快速发展，影视制作中的人工智能（AI）影像生成不再局限于概念视觉、动态分镜和创意样片，而是逐步进入镜头设计、场景延展、数字角色、虚拟摄制、后期制作以及多版本交付等生产环节。以扩散模型（Diffusion Model）、Transformer架构和多模态控制技术为代表的生成方法[1—5]，使影视创作者能够以文本、参考图、草图、动作或首尾帧为约束生成动态影像。由此产生的关键变化是，影视制作对象从单一拍摄素材扩展为“实拍素材+生成素材+模型资产+过程数据”的复合体。

传统影视工业在长期发展中形成了相对成熟的技术体系。摄影部门关注分辨率、帧速率、色彩空间、动态范围和曝光一致性；声音部门关注响度、电平、声道格式和同步；视效与调色部门关注色彩管理、合成精度、镜头连续性和交付格式；制片管理则通过合同、预算、排期、素材管理和版本管理维持流程稳定。AI影像生成介入后，新的质量风险并不完全表现为像素、声道或格式错误，而更多体现为语义偏移、角色漂移、时序不稳定、风格不统一，以及参考素材、训练数据、数字形象、声音样本和生成结果的权利归属不明确，进而可能引发版权、肖像权及声音权属、授权范围等争议，传统质量控制节点因此需要被重新组织。

标准体系的完善为这一重组提供了基础。T/BFAA 0001—2025《人工智能 影像生成与应用 技术要求》针对AI影像生成的技术安全、数据合规、内容伦理、质量评估与应用示例提出要求[6]；GB 45438—2025《网络安全技术 人工智能生成合成内容标识方法》对AI生成合成内容标识方法作出规定[8]；GB/T 45654—2025《网络安全技术 生成式人工智能服务安全基本要求》和GB/T 45674—2025《网络安全技术 生成式人工智能数据标注安全规范》分别从GAI服务安全和数据标注安全角度提出要求[8,9]。但是，标准文本应用于影视项目仍存在一层“工程转化”问题：标准规定什么，并不等于项目团队知道在哪个流程节点执行、由谁执行、形成何种文档以及如何验收。

基于上述背景，本文不以具体模型算法性能比较为重点，而将研究对象限定为影视项目中AI影像生成技术的流程化应用，关注两个问题：第一，AI影像生成相关标准如何转化为传统影视制作流程中的可执行节点；第二，传统影视技术指标与AI影像生成质量指标如何共同构成可验收、可追溯、可复盘的融合评价体系。

2

相关标准体系与研究方法

2.1 相关标准体系

当前AI影像生成进入影视制作，至少涉及三个层面的标准与规范。在基础术语与技术治理层面，GB/T 41867—2022《信息技术 人工智能 术语》为AI相关术语提供统一定义，为影视项目中的技术沟通和合同表述奠定基础[10]。在生成合成内容的安全与标识层面，GB 45438—2025规定了AI生成合成内容的显式标识和隐式标识方法，并与《人工智能生成合成内容标识办法》共同构成内容标识的制度依据[7,11]。而在影视行业应用层面，T/BFAA 0001—2025面向AI影像生成与应用提出技术要求，强调技术安全、数据合规、内容伦理和质量评价等内容[6]。

上述标准的作用并不相同。国家标准更强调公共安全、服务安全、标识方法和数据治理的通用底线；团体标准更接近影视、动画、广告、短视频等影像生产场景[12]，能够把合规要求转化为行业可理解的岗位、文档和验收语言。因此，在影视项目中不宜单独理解某一项标准，而应形成“国家标准设定底线、团体标准定义行业接口、项目流程完成落地执行”的组合关系。

2.2 研究方法与边界

本文采用标准文本分析、流程节点映射和应用场景归纳3种方法。首先，从相关标准中提取与影视项目直接相关的条款要素，包括组织管理、数据治理、生成控制、审核标识、记录存证、验收评价等；之后将传统影视制作流程划分为立项、筹备开发、拍摄生成、后期交付、评估复盘5个阶段，分析每一阶段需新增或改造的AI控制点；最后结合单纯使用AI生成、实拍AI增强和深度融合三类典型场景，讨论不同项目规模下的执行差异。

本文的研究范围和边界主要包括：（1）讨论对象为影视制作流程中的AI影像生成应用，不展开基础模型训练算法比较；（2）文中涉及的相似度、识别准确率、记录保存期限等量化要求以相应标准和项目合同约定为依据，项目可在满足标准底线的基础上提高阈值；（3）本文提出的评价矩阵属于流程化评价框架，具体算法工具和主观评价实验仍需在项目实践中进一步验证。

3

AI影像生成技术对传统影视制作流程的影响

3.1 从单点工具到流程系统

在早期实践中，AI影像生成多被视为提高概念设计效率的辅助工具，主要用于情绪板（Moodboard）、角色概念图、分镜草图和宣传物料等。随着AI工具的图生视频、视频补帧、首尾帧控制、多参考图约束和局部重绘等能力提升[13]，其生成内容逐渐具备进入正式镜头链路的可能。其价值不只在于“生成一个画面”，而在于压缩概念验证周期、降低部分低风险镜头成本，并为导演、美术、摄影和视效部门提供可讨论的动态预演材料。

但是，一旦生成素材进入正片或交付物，AI工具就不再是创作端的临时软件，而成为制作系统的一部分。模型版本、参数设置、参考素材、生成批次、人工筛选依据、后期修正记录都可能影响最终内容的可复现性和责任归属。如果项目没有在前期建立记录机制，后期即使发现质量或权利问题，也难以判断问题来自提示词、模型、素材授权还是人工修改。

3.2 流程错位与标准化需求

AI影像生成进入影视流程后的关键变化如表1所示。

表1　AI影像生成进入影视流程后的关键变化

由此可见，AI影像生成与传统影视流程间可能发生的错位主要表现在四个方面。第一，技术评价错位。传统质检擅长检查分辨率、编码、色域、响度等客观指标，但AI生成影像常见的人物五官漂移、衣纹变化、空间不连续等问题难以完全通过传统检测项发现。第二，流程节点错位。传统影视在开机前关注剧本、场景、演员、器材和拍摄计划，而AI项目在开机前还必须确认数据来源、模型能力边界、角色资产包和生成测试结果。第三，权利管理错位。传统合同通常覆盖演员肖像、音乐、素材和场地授权，但AI生成中的数字替身、语音克隆和训练数据使用需要更细致的权利约定。第四，交付责任错位。生成合成内容可能需要显式或隐式标识，而传统交付流程中并未设置该步骤。

因此，AI影像生成的标准化融合应避免两种倾向：一种是将其简单理解为后期插件，只在交付前补做审查；另一种是将其视为完全替代传统流程的新系统，忽视摄影、美术、声音、剪辑和调色已有的成熟规范。笔者建议在传统流程主干上增加AI控制点，使其不破坏影视工业既有协作逻辑，同时又能把生成过程纳入可审计的工程管理。

4

标准条款向影视制作流程的映射模型

4.1 “标准约束-流程执行-质量评价”三层模型

本文提出“标准约束-流程执行-质量评价”三层融合模型。标准约束层对应相关国家标准、团体标准和项目内部技术规范，回答“必须满足什么要求”；流程执行层对应影视项目的具体生产节点，回答“要求在什么阶段、由哪个岗位执行”；质量评价层对应验收、审查和复盘机制，回答“如何证明已经执行并达到要求”。三层模型的核心不是重新设计一套独立的AI生产流程，而是把AI生成环节嵌入传统影视流程，使标准要求在项目节点中可见、可填报、可验收。

在该模型中，标准约束层的要素包括术语、组织、数据、模型、生成、审核、标识、存证和验收；流程执行层的节点包括立项、筹备开发、拍摄生成、后期交付和评估复盘；质量评价层则由技术合规、内容质量、流程可控和权利追溯四类指标构成。上述三层共同形成闭环，即标准约束提出要求，流程执行产生记录，质量评价形成结论，评价结果反向用于项目复盘和标准修订。

标准要求与影视制作流程的映射关系如表2所示。

表2　标准要求与影视制作流程的映射关系

4.2 立项阶段：从创意可行性扩展为技术与合规可行性

立项阶段是AI影像生成能否顺利进入项目的前置关口。传统立项通常围绕题材、剧本、预算、市场和主创资源展开，AI介入后需要增加技术与合规可行性分析。项目应明确哪些内容由AI生成，哪些内容由实拍或传统视效完成，哪些内容属于高风险应用，如公众人物数字替身、演员语音克隆、历史人物再现、未成年人形象生成或品牌植入场景。

在此阶段，项目团队应至少完成四项工作：一是确定AI使用边界，避免在制作中临时扩大AI应用范围；二是建立权利预审机制，确认参考素材、训练或微调数据、演员形象和声音是否具备授权基础；三是将AI工具、算力、技术服务、测试小样和合规审查纳入预算；四是形成风险分级清单。这样可将AI生成从“后期临时补救”转化为“前期设计条件”。

4.3 筹备开发阶段：建立可复用的角色、场景与提示词资产

筹备开发阶段是传统影视中美术、摄影、分镜和视效预演（PreViz）高度协同的阶段，也是AI影像生成最需要制度化准备的阶段。若缺乏统一的角色资产包、场景参考、风格约束和提示词规范，后续生成很容易出现角色不稳定、镜头风格不一致和批次之间质量差异过大的问题。

因此，项目可建立三类资产。第一类为视觉资产，包括角色三视图、服装材质、场景设定、色彩参考、灯光参考和镜头风格参考。第二类为文本资产，包括标准提示词、负面提示词、镜头描述模板、角色描述模板和风格控制词表。第三类为技术资产，包括模型版本、插件或工作流版本、采样参数、随机种子、分辨率、帧速率、输出格式和后处理步骤。上述资产不是单纯的创作资料，而应进入项目文档体系，作为后续生成、质检和复盘的依据。

4.4 拍摄生成阶段：以参数基线和人工审核保障生成可控

在拍摄生成阶段，AI影像生成可以两种方式介入：一是替代或补充部分非核心实拍内容，如空镜、远景、背景延展、转场镜头和概念化段落；二是与实拍流程深度协同，如演员在蓝幕/绿幕或虚拟场景中表演，AI完成背景、光效、群演或局部特效。前者的重点在于生成质量与正片风格匹配；后者的重点在于前期采集数据能否满足后期AI生成需要。

此阶段应建立参数基线和审核闭环。参数基线包括模型版本、分辨率、帧速率、生成步数、采样方式、参考图权重、运动幅度、镜头时长和输出格式等。审核闭环包括技术初筛、导演或视效部门创意筛选、合规复核和版本入库。对于数字替身、语音克隆等高风险应用，应依据标准和合同约定设置相似度、授权、使用范围和修改权限要求，避免将技术可生成误认为权利可使用。

4.5 后期交付阶段：将生成内容纳入传统质检与标识体系

后期阶段是AI生成素材与传统素材最终合流的阶段。AI素材在剪辑中应接受连续性检查，在调色中应统一色彩空间和视觉风格，在声音环节应处理配音、环境声和音乐的同步关系，在视效环节需完成合成边缘、遮罩、运动模糊和景深匹配。传统质检项目仍然有效，但仍应补充生成内容的稳定性、真实性风险和标识合规检查。

交付阶段尤其要重视内容标识和记录留存。GB 45438—2025以及《人工智能生成合成内容标识办法》将显式标识与隐式标识作为生成合成内容治理的重要方式[7,11]。影视项目应根据发行平台、播出渠道、合同约定和监管要求确认标识方式。对于不适合在画面中长期显示显式标识的正片内容，也应在片尾说明、节目说明、物料说明、文件元数据或交付清单中明确生成内容使用情况，并保留必要的隐式标识与存证材料。

5

融合质量评价体系

5.1 传统指标与AI指标的并行和统筹

AI影像生成素材进入正式制作后，不能只依赖主观观感判断。传统影视技术指标仍然是交付底线，如分辨率、帧速率、编码格式、色彩空间、动态范围、声道格式和响度标准等。AI生成特有指标则用于补足传统质检的不足，主要包括语义一致性、角色稳定性、时序稳定性、风格一致性、动作合理性和合规标识完整性。

需要注意的是，传统指标通常具有明确的设备检测方法和交付阈值[14]，AI生成指标则在较大程度上依赖算法检测与人工审看结合[15]。比如角色稳定性可通过人脸或关键点匹配辅助判断，但最终仍需与角色设定和导演意图对照；时序稳定性可通过光流、帧间差异和局部变形检测辅助判断，仍需人工判断其是否影响叙事和观感。由此，AI生成质量评价应采用“机器检测+人工复核+责任记录”的组合方式。AI影像生成融合评价矩阵如表3所示。

表3　AI影像生成融合评价矩阵

5.2 强制项、推荐项与项目自定义项

为提高评价体系的可执行性，本文建议将AI影像生成评价指标分为三类。第一类为强制项，主要包括法律法规、国家标准和团体标准明确要求的内容，如生成合成内容标识、数据和授权合规、安全审核、必要记录留存等。第二类为推荐项，主要包括语义一致性、角色稳定性、风格统一性、时序稳定性等质量评价项目。第三类为项目自定义项，由项目类型、发行渠道和艺术风格决定，如某些实验影像可允许一定程度的形变与风格跳变，而商业叙事片中的角色面部、服装、空间连续性则需更加严格控制。

这种分类有助于避免两类问题：一是将所有指标都等同为强制门槛，导致小型项目执行成本过高；二是将所有指标都视为主观审美判断，导致高风险项目缺乏合规底线。不同规模项目可采用不同深度的评价方案，但不应突破标识、授权、安全和存证等底线要求。

5.3 三道防线的合规控制机制

AI影像生成的合规控制宜设置三道防线。第一道防线位于生成前，重点是输入端治理，包括参考素材授权、提示词风险检查、敏感人物或敏感场景识别、模型能力边界说明和项目风险分级。第二道防线位于生成中和后期交付前，重点是过程控制，包括参数记录、批次管理、机器初筛、人工复核和版本入库。第三道防线位于交付后，重点是追溯与问责，包括显式或隐式标识、存证、交付清单、日志留存和争议处理。

三道防线的价值在于把合规从事后审查前移到生产过程。传统影视项目中，许多问题可通过补拍、剪辑或调色修复；但AI生成内容一旦涉及未经授权的形象、声音、素材或误导性标识，后期修复成本往往更高。将合规控制嵌入流程节点，可减少项目后段返工和传播风险。

6

典型应用场景、实施路径与标准化价值

6.1 三类应用场景

根据AI生成素材与实拍素材的关系，可将影视项目中的AI影像生成应用归纳为三类。第一类是单纯使用AI生成影像，适用于动画短片、概念短片、广告样片、风格化实验影像等。AI生成影像的核心难点在于角色、场景和风格稳定。第二类是实拍增强型应用，适用于补空镜、扩场面、换背景、延展布景、补充群众场面或低风险特效，其核心难点是AI素材与实拍素材的匹配。第三类是深度融合型应用，即项目从前期设计阶段即按照AI生成逻辑组织表演、场景、光效和素材采集，其核心难点是跨部门协作和前置技术设计。三类AI影像生成应用场景的流程重点如表4所示。

表4　AI影像生成应用场景的流程重点

以中小型实拍增强项目为例，项目可在不改变传统摄制主线的前提下嵌入AI流程。立项阶段，制片和导演组确定需AI参与的镜头范围，如远景延展、空镜补充或背景替换，并由技术负责人完成风险分级。筹备阶段，美术、摄影和AI技术人员共同建立参考素材包，明确色彩、机位、镜头运动和光线方向，避免AI生成内容与实拍素材风格脱节。拍摄阶段，现场除采集正式镜头外，还应采集纹理、光照、空场、动作参考和高动态范围（HDR）环境等辅助素材。后期阶段，AI生成素材先经技术初筛，再进入剪辑和调色流程；最终交付前完成内容审核、标识确认和记录归档。

该示例表明，AI流程的关键不是在后期临时“补一段视频”，而是在立项和筹备阶段明确生成目标，在拍摄阶段采集足够的约束数据，在后期阶段把AI素材纳入传统质检和交付体系。对于预算和人员有限的项目，可采用最小文档集，包括AI使用范围说明、授权清单、生成日志、审核记录和交付标识说明。对于规模化项目，则应进一步增加模型卡、数据卡、供应商服务记录、存证材料和专家评审意见。其中，模型卡用于记录模型版本、供应商、适用范围和风险边界，数据卡用于记录素材来源、授权状态、使用范围和合规处理情况。

6.2 融合标准化的价值及其对团队岗位的影响

AI影像生成与传统影视制作流程的融合，本质上是影视工业从“素材管理”向“素材与过程数据共同管理”的扩展。其标准化的价值主要体现在三个方面：第一，有助于创作过程中的AI使用边界更清晰，减少主创、技术、制片和法务之间的信息不对称；第二，有助于生成内容的质量评价从主观感受扩展为可记录、可复核的工程证据；第三，有助于为争议处理提供依据，当出现权利、质量或传播风险时，可通过授权文件、生成日志、标识记录和存证材料进行追溯。

为保障融合的标准化，导演和美术需要更早给出视觉规则；摄影部门需要为后期生成采集更多约束数据；视效部门需要管理模型输出与传统合成间的接口；制片和法务需把AI工具、数据授权、数字替身和标识要求写入合同与预算；技术人员则需承担模型、参数、日志和安全审核的管理职责。对于中小型团队，可采用“一人多岗+关键节点复核”的方式；对于规模化项目，则应设置AI技术负责人和合规审核岗位。由此可见，AI影像生成并不会简单取代传统影视岗位，但会改变岗位间的协作边界。

7

结语

本文主要从标准文本和流程映射角度提出融合路径，尚未完成多项目实证验证。后续研究可从三个方向展开：一是选取不同类型影视项目进行案例跟踪，比较标准化流程对返工率、质量稳定性和合规风险的影响；二是开发面向影视项目的AI生成质量检测工具，将角色稳定、时序稳定和风格一致等指标转化为可操作的检测流程；三是研究生成内容标识与电影发行、流媒体交付、短视频传播间的接口关系，形成更细化的交付规范。

AI影像生成技术正在改变影视制作的素材来源、协作方式和质量评价对象。面对这一变化，传统影视制作流程不应被简单替代，而应通过标准化方法完成扩展和升级。AI影像生成的工程化落地关键在于前置设计、过程记录、质量评价和交付标识4个环节；只有将提示词、模型版本、数据授权、生成参数、审核记录和存证材料纳入项目管理，AI生成内容才能从创作试验进入可验收、可追溯、可复用的影视工业流程。未来，随着AI影像标准体系和影视生产实践持续发展，标准化融合路径还需在更多项目中接受验证，并进一步转化为适用于不同预算、不同发行渠道和不同艺术类型的行业操作指南。

参考文献

（向下滑动阅读）

[1] HO J, JAIN A, ABBEEL P. Denoising diffusion probabilistic models[EB/OL](2020⁃12⁃16)[2026⁃05⁃21].https://arxiv.org/pdf/2006.11239.

[2] ROMBACH R, BLATTMANN A, LORENZ D, et al. High⁃resolution image synthesis with latent diffusion models[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition,2022: 10684⁃10695.

[3] VASWANI A, SHAZEER N, PARMAR N, et al. Attention is all you need[C]//Advances in Neural Information Processing Systems. 2017: 5998⁃6008.

[4] PEEBLES W, XIE S. Scalable diffusion models with transformers[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision,2023: 4195⁃4205.

[5] 张璐瑶, 杨帅, 汪文靖, 等. 基于生成式人工智能的图像视频生成方法综述及展望[J]. 计算机辅助设计与图形学学报,2025, 37(3): 361⁃384.

[6] 北京影视动画协会. 人工智能 影像生成与应用 技术要求: T/BFAA 0001—2025[S]. 北京: 北京影视动画协会,2026.

[7] 国家市场监督管理总局, 国家标准化管理委员会. 网络安全技术 人工智能生成合成内容标识方法: GB 45438—2025[S]. 北京: 中国标准出版社, 2025.

[8] 国家市场监督管理总局, 国家标准化管理委员会. 网络安全技术 生成式人工智能服务安全基本要求: GB/T 45654—2025[S]. 北京: 中国标准出版社, 2025.

[9] 国家市场监督管理总局, 国家标准化管理委员会. 网络安全技术 生成式人工智能数据标注安全规范: GB/T 45674—2025[S]. 北京: 中国标准出版社, 2025.

[10] 全国信息技术标准化技术委员会. 信息技术 人工智能 术语: GB/T 41867—2022[S]. 北京: 中国标准出版社, 2022.

[11] 国家互联网信息办公室, 工业和信息化部, 公安部, 等. 关于印发《人工智能生成合成内容标识办法》的通知[EB/OL]. https://www.gov.cn/zhengce/zhengceku/202503/content_7014286.htm.

[12] 人民网. 中国首个AI影像团体标准在京发布[EB/OL]. (2026⁃01⁃22)[2026⁃05⁃06]. http://jl.people.com.cn/n2/2026/0122/c349771-41479516.html.

[13] OpenAI. Video generation models as world simulators[R/OL]. (2024⁃02⁃15)[2026⁃05⁃10]. https://openai.com/index/video-generation-models-as-world-simulators.

[14] 朱梁，朱宏宣. 数字电影的技术与理论[M]. 北京: 中国电影出版社, 2018.

[15] WANG T, XIAO L, ZHAO S, et al. Deepfake detection: A comprehensive survey from the reliability perspective[EB/OL].(2024⁃10⁃04)[2026⁃05⁃06].https://arxiv.org/pdf/2211.10881.

期刊导读 |《现代电影技术》2026年第6期

程絮森等：人工智能驱动下元宇宙技术赋能电影科技创新提质研究

百乐夫等：面向跨语种唇音同步与动态范围增强的真人数字分身生成方法研究