《现代电影技术》｜郑屹等：视觉设计元素与审美情感关联的结构化标注方法及系统实现

本文刊发于《现代电影技术》2026年第8期

专家点评

贾云鹏

教授

北京邮电大学数字媒体与设计艺术学院院长

随着计算机视觉、人工智能与数字媒体技术的持续融合，视觉设计正由依赖经验与直觉的艺术表达，逐步走向数据驱动和智能化的研究阶段。如何将构图、色彩、光影、空间关系等设计语言转化为计算机能够识别和学习的结构化知识，不仅关系到计算美学的发展演进，也为数字影像的分析、理解与生成提供了新的研究路径。特别是在影视视觉表达中，单一的画面元素往往通过构图组织、空间关系和视觉节奏共同作用，形成特定的情绪氛围与审美体验。因此，建立视觉要素与高层审美感知之间的关联机制，对于推动视觉艺术研究从经验描述走向可计算、可解释具有重要意义。《视觉设计元素与审美情感关联的结构化标注方法及系统实现》一文从客体基础层、艺术表达层与应用语境层三个层面构建结构化标注体系，并引入目标检测、深度分析、ROI标注及插件化系统架构，为审美数据的规范化采集与计算分析提供了较为完整的技术支撑。文章将数字媒体艺术的视觉语言研究与计算机视觉、数据工程相结合，既体现了鲜明的交叉学科特色，也为未来影视影像的视觉分析、多模态审美建模以及生成式人工智能的视觉控制提供了值得关注的研究基础。

项目信息

北京市科学技术委员会重点项目“多模态世界模型研究与示范应用”（Z251100008125011）。

作者简介

郑　屹

博士，中国传媒大学动画与数字艺术学院副教授，主要研究方向：计算机图形学、生成式人工智能、情感计算。

石榴丹

中国传媒大学动画与数字艺术学院硕士研究生在读，主要研究方向：设计学（信息技术与设计）。

摘要

针对现有计算美学研究中客观视觉设计元素与主观审美情感间缺乏结构化关联表达的问题，本文依据人类审美认知过程，将图像信息划分为客体基础层、艺术表达层与应用语境层，设计并实现了一套面向审美相关性分析的多层级结构化标注系统，可通过统一数据描述机制、动态插件管理与自动预标注功能，实现多类型审美信息的协同采集与管理。在实际数据构建任务中，该系统已完成5000幅图像的多层级审美标注，单幅图像平均标注时间由3 min降低至1 min。本研究可为计算美学中视觉设计元素与审美情感间的相关性分析提供规范化的数据表达方式与工程实现框架，并为后续开展多模态审美建模与情感归因分析研究奠定数据基础。

关键词

计算美学；审美体验；结构化标注；数据表达；多模态相关性

1

引言

图像美学评估（Image Aesthetics Assessment, IAA）是计算机视觉与计算美学交叉领域的重要研究方向[1]。近年来，该领域的研究焦点已逐渐从获取普适性的审美共识，演进为多维属性建模、特定艺术领域的专业化分析，以及追求个性化偏好的情感交互感知。

然而，对图像美学的深层理解并非仅停留于预测单一的美学分数或分类标签。审美体验（Aesthetic Experience）的产生，往往源于底层客观视觉元素的特定组织方式及其所激发的心理反馈。现有的多维属性数据集大多呈现平铺式的标注结构，未能充分捕捉底层客体结构与高层语义意涵间的级联关联。这一数据表达层面上的局限性，使模型在理解“设计元素如何通过艺术表达最终传递特定审美情感”这一核心问题时缺乏结构化的先验知识与数据支撑[2,3]。

这一问题同样体现在影视视觉语言中，景别、构图、光影、色彩与人物空间关系等视觉要素通过镜头内的组织与调度共同参与情绪氛围和叙事意涵的建构。因此，对视觉设计元素与高层审美情感关联结构的刻画，不仅是计算美学的重要问题，也是影视视觉表达分析与情感建模的重要基础。

为探索审美情感与设计元素间的相关性，学界亟需一种能够反映审美认知层级的结构化数据表达体系。本文尝试构建一种多层级审美结构化标注数据体系，为计算美学中客观设计元素与主观审美情感间的多维关联分析提供了一种规范化的数据表达方式与基础结构。

2

相关研究

当前，图像美学分析的研究范式正经历从宏观统计到微观结构、从客观属性到主观情感的拓展。本节将从基础美学分析、细粒度美学解释以及艺术意涵与情感交互感知三个维度进行回顾，并探讨现有数据表达方式的局限性。

2.1 基于大规模标注的基础美学分析

在深度学习（DL）驱动的美学评估初期，研究重点在于构建大规模的基准数据集。例如，审美视觉分析（Aesthetic Visual Analysis, AVA）数据集通过“众包”方式收集了海量图像的美学分数分布，使模型能学习观众审美的普遍规律[4]。美学与属性数据库（‌Aesthetics and Attributes Database, AADB）则进一步通过对比学习探索图像属性与美学得分间的映射。然而，此类数据集的标注维度通常较为扁平，缺乏对“何种元素构成了美”这一深层语义的层次化解释[5,6]。

2.2 面向多维属性的细粒度美学解释

为克服单一评分的局限，研究者引入了更丰富的图像属性标注。个性化图像美学数据库（Personalized image Aesthetics database with Rich Attributes, PARA）和绘画与素描美学数据集（Aesthetics of Paintings and Drawings Dataset, APDD）等数据集引入了包括构图、光影、色彩在内的多种美学属性[7-9]。这类更丰富的图像属性标注在一定程度上增强了可解释性，但由于属性间缺乏严格的层级定义，模型在处理复杂场景时仍难以精准区分局部客体与全局视觉组织间的相互作用。

2.3 艺术意涵与情感交互感知

随着应用场景的拓宽，美学研究逐渐深入具有高度专业性的视觉艺术领域，并进一步关注视觉内容与个体情感感知间的关联。面向细粒度图像美学评估的专家标注数据集ArtiMuse⁃10K[10]，涵盖多种视觉类型，并通过专家对多维美学属性及整体美学水平进行标注；BoldBrush艺术图像数据集（Boldbrush Artistic Image Dataset, BAID）[11]则面向艺术图像美学评估，涵盖多种艺术形式及大规模用户审美评分。视觉艺术情感语言（Affective Language for Visual Art, ArtEmis）[12]数据集进一步关注视觉艺术作品引发的情感体验，通过收集情感类别及相应的自然语言解释，探讨视觉内容、情感反应与语言表达间的关联。 大规模视觉情感数据集EmoSet[13]则从视觉情感分析出发，引入亮度、色彩丰富度、场景类型、物体类别、面部表情和人体动作等可描述属性，为视觉特征与情感感知间的关联建模提供了更丰富的数据基础。

总体来看，当前图像美学领域在数据表达方面仍存在一定的结构性不足：现有数据集大多未能显式建立从底层视觉元素到高层情感语义的层次化逻辑约束，缺乏“设计元素-艺术表达-审美体验”的结构化桥梁。本文旨在为后续研究从计算美学维度出发，分析不同视觉因素对情感表达的贡献及作用机制提供基础。

3

面向视觉设计元素和审美情感关联分析的结构化标注系统设计

3.1 多层级标注系统设计

为系统性探索审美情感与设计元素间的相关性，本文提出了一种分层结构化标注体系，并依托工程化框架尝试实现该数据体系的规范化采集与存储。

本研究的核心在于建立一种符合人类审美认知过程的层级化关联数据表示模型。参考艺术理论与视觉感知机制[14]，本文基于多层级标注框架[15]将图像美学特征系统性地解耦为自下而上的逻辑链路，将标注体系划分为三个层级（图1）。

图1　标注体系层级

（1）客体基础层（Object Base Layer） 。该层侧重于图像中客观存在的物理实体与局部特征提取。标注内容主要涵盖人物、物体、特定道具以及基础空间结构等具象元素。通过精准的几何标注（如主体元素、视觉重心区域），该层为后续的视觉分析提供了最基础的客体数据基座。

（2）艺术表达层（Artistic Expression Layer）。该层旨在描述设计元素在二维平面上的视觉组织形式与空间结构关系。标注内容涉及构图方式（如三分法、中心构图、对称结构）、视觉引导线布局、空间虚实分布等全局性视觉规则。此层是连接客观实体与主观感知的关键中间态。

（3）应用语境层（Application Context Layer）。该层聚焦图像最终传递的高层语义与情感效价。标注内容包括审美体验、情绪感知（如氛围营造、情感唤起）、艺术风格倾向等。通过语义标签，该层实现了对抽象情感维度的结构化量化。

上述三个层级共同构成了一个完整的数据链路，即设计元素的特定排布形成了艺术表达，而艺术表达则进一步激发了深层的艺术意涵与审美体验[14-16]。

3.2 标注系统总体架构设计

3.2.1 架构分层

为满足上述需求，系统采用分层架构与插件化机制相结合的设计，整体可划分为四个层次：数据层（Data Layer）、核心流程层（Core Process Layer）、功能层（Functional Layer）与工具层（Tool Layer）。图2展示了系统的整体架构与模块职责划分。系统以main.py为入口，通过插件配置、插件注册与动作注册完成初始化，进而调度各模块协同工作。数据层负责数据加载与管理；核心流程层负责流程控制、界面（UI）调度与交互分发；功能层管理并实现各类插件的核心逻辑；工具层封装第三方库（如YOLO、深度检测等），为插件提供基础能力支持。其核心目标在于实现数据管理、基础服务与应用功能间的职责分离，通过将底层数据访问、中间服务逻辑与上层任务模块解耦，系统能够在保证可维护性的同时，支持不同应用功能的快速扩展与实验迭代。

图2　标注系统架构流程图

（1）数据层。数据层采用“图像文件+JSON标注文件”的松耦合组织方式，每张图像对应独立标注文件，便于后续数据迁移、版本控制与实验扩展。相较于固定字段的数据库结构，JSON更适合承载构图规则、情感标签等具有动态扩展需求的标注信息。标注结构同时支持几何信息，包括边界框（Bounding Box, BBox）和多边形区域（Polygon）；构图属性，包括三分法（Rule of Thirds）和对称性（Symmetry）；高层语义标签，包括情感类别（Emotion）和语义意图（Semantic Intent），实现从视觉区域、构图关系到语义情感信息的统一描述。

（2）核心流程层。核心流程层通过统一接口封装图像读取、坐标映射与数据访问逻辑，使上层算法模块无需直接操作底层文件系统，从而降低模块间耦合。系统内部统一采用原始图像坐标系（固定scale=1.0）存储标注信息，在界面显示阶段通过坐标映射模块完成缩放与偏移变换，以保证不同分辨率下标注结果的一致性。文件监听模块基于事件驱动机制实现数据热更新，当标注文件发生变化时，系统能够自动同步界面状态与缓存内容，提高标注交互效率。

（3）功能层。插件化架构允许不同视觉分析算法或功能以独立模块形式接入系统，便于在不修改主程序的情况下进行模型替换与实验对比。系统通过统一插件接口管理模块生命周期，包括初始化、任务执行与结果回调等阶段。所有插件均遵循统一输入输出规范，以保证主体检测、构图分析与深度估计等模块间的兼容性。

（4）工具层。工具层强调多模块协同下的高层语义理解，其输出结果服务于审美分析与情感表达研究任务。使用者能够面向具体任务需求，集成主体检测、构图分析与深度估计等功能模块，实现高层语义标注。

3.2.2 插件化系统设计

3.2.2.1 插件注册机制

为解决图像标注系统在多任务多研究方向场景下存在的功能复用性差、模块依赖关系复杂以及新增标注能力需侵入式修改核心代码的问题，本系统基于插件配置与注册机制实现动态加载，将目标检测、深度检测、构图分析、草图绘制、区域标注等标注功能组件封装为独立插件，实现了功能组件解耦、插件生命周期统一管理以及不同标注任务的差异化能力装配。

如图3所示，系统支持对图像中的主体目标进行轮廓标注，并结合三角构图辅助线完成构图关系分析，同时提供景别类型（如大全景、中景、特写等）与焦段类型（如广角、长焦等）的结构化标注功能，为后续计算美学与情感表达分析提供数据支持。具体而言，通过插件配置文件定义可用插件集合，并由插件注册表（Plugin Registry）完成统一管理。同时，通过动作注册表（Action Registry）将用户操作与具体功能模块进行绑定，实现解耦调用。

图3　图像标注系统中的景别与构图标注界面

该机制具有如下优势：

（1）支持功能模块的动态扩展，降低模块间的耦合度，提高系统的可维护性与可复用性。

（2）不同标注对象（如主图标注/关联小图标注）可加载不同的功能插件，非必要标注信息不重复出现，降低工作量的同时也降低标注错误率。

3.2.2.2 插件类型划分

在插件化架构基础上，系统遵循关注点分离（Separation of Concerns）原则[17]，根据插件在标注任务中的功能职责与数据处理对象，将插件划分为数据插件（Data Plugin）、功能插件（Function Plugin）和界面插件（UI Plugin）三类。三类插件分别承担数据定义与管理、分析处理及用户交互等职责，并通过统一的插件接口与系统进行协同，从而实现功能模块解耦与跨任务复用。

（1）数据插件负责标注数据的定义、组织与管理，统一描述主体信息、构图参数、深度信息等标注结果，为其他插件提供标准化的数据基础。

（2）功能插件负责具体的视觉分析与数据处理任务，将算法或分析规则封装为独立功能模块，例如目标检测、深度检测和构图分析等，实现分析能力的模块化扩展。

（3）界面插件负责标注过程中的用户交互与结果呈现，提供标注绘制、参数调整、分析结果展示等功能，实现用户操作与底层数据、分析功能之间的交互。

3.2.2.3 动态界面生成

系统采用基于插件元数据驱动（Metadata⁃Driven）的动态界面生成机制，在运行时根据当前任务加载对应的界面组件与参数配置，而非采用固定式界面布局。其核心流程如下：

（1）插件配置解析。系统启动后，插件管理器读取并解析插件配置文件（Plugin Manifest），获取插件类型、功能标识、所属任务、依赖关系及界面描述等元数据。针对不同标注任务，配置文件可进一步声明标注类别、参数输入组件、图像交互模式、可视化结果面板及数据绑定字段等信息。解析完成后，系统将插件元数据注册至插件注册表，形成统一的插件索引结构。

（2）任务驱动的插件装载。当用户进入某一标注任务时，任务管理器根据任务类型查询插件注册表，并筛选当前任务允许加载的插件集合。例如：主图标注时，任务加载主体检测、构图分析等插件；关联小图标注时，任务加载情绪元素、动势方向等相关插件。系统随后通过工厂模式（Factory Pattern）实例化对应插件[18]，并完成生命周期初始化、数据接口绑定、UI组件注册、动作事件注册。

（3）界面组件动态生成。主界面容器（Main Interface Container）并不直接硬编码具体控件，而是根据插件返回的UI Schema动态生成界面组件树，包括：按钮、滑块、标注画布、参数面板、可视化区域等。生成后的组件自动绑定对应数据字段与动作事件，实现“界面交互-数据模型-功能处理-结果显示”的全链路联动更新机制。生成后的组件自动绑定对应数据字段与动作事件，实现界面组件、数据模型、功能处理以及结果显示之间的联动更新，同时保证系统具有良好的扩展能力，为后续接入视频标注、文本语义标注及多智能体协同分析等任务提供统一的技术框架。

3.2.3 数据体系的框架支撑与实现

为保障上述多层级数据体系的高效构建与有效管理，本文设计并实现了一套面向结构化审美标注的工程框架。该框架采用分层解耦的系统架构[19]，以保证跨层数据表示的一致性，并提升后续数据分析与模型训练阶段的可扩展性。

首先，为避免不同类型审美信息在存储格式与组织方式上的不一致所带来的管理复杂度，系统构建了统一的数据描述机制。几何信息、构图关系以及语义属性等不同层次的标注结果均采用结构化JSON文件组织，并通过多文件关联机制建立跨层映射关系。与此同时，考虑到图像分辨率及显示设备差异可能导致的空间尺度不一致，系统进一步引入归一化坐标体系，使客体基础层与艺术表达层中的空间信息能够脱离图像绝对尺寸进行表达，从而保证不同来源、不同分辨率图像的标注结果具有跨图像的可比较性与可迁移性。

其次，随着审美研究任务的不断扩展，标注系统需具备灵活接入新数据类型与分析功能的能力。为此，框架采用插件化设计，将数据定义、界面交互以及功能逻辑进行解耦。其中，数据插件负责定义不同维度审美信息的数据结构与约束规则，而模型适配层则支持目标检测、深度检测等视觉预训练模型的快速接入。基于此，系统可形成“模型自动初筛-人工审核修正”的协同标注流程，在保证标注质量的同时显著提升复杂结构化审美数据的构建效率。

3.3 设计专家与普通用户的多维对比标注

由于情感表达具有较强主观性，不同用户对同一图像的情绪理解可能存在明显差异。尤其在视觉情感任务中，受过审美训练的设计专家通常更关注构图组织、色彩关系、光影节奏与视觉引导等高层视觉语言，而普通用户更多基于人物内容、场景语义与直观氛围进行判断。若仅依赖单一群体标注，容易导致数据偏向某一类认知模式，从而影响情感生成模型对真实用户感知的适配能力。因此，本系统采用设计专家与普通用户的多维对比标注法，同时采集两类用户的情感反馈，以提高情感数据的可靠性与分析解释能力。

在标注方法设计上，系统将参与者划分为设计专家组与普通用户组，并采用统一的标注流程与多维联合标注结构。在系统层面，数据层采用结构化标注格式与用户组隔离机制，对设计专家组与普通用户组数据分别存储与统计，并支持后续一致性分析与群体差异分析[20,21]。例如，系统可计算不同群体在同一图像上的情绪偏移程度，用于分析“专业审美表达”与“用户情绪感知”间是否存在偏差。

此外，系统结合插件化动态界面机制，对不同用户组加载不同标注维度：设计专家组可显示构图与视觉组织相关指标，普通用户则保留直观情绪感知内容，从而降低非专业用户的认知负担并减少无效标注。该设计使系统既能保留专业视觉分析能力，又能反映普通用户的真实审美情绪反馈，为后续情感生成模型的对齐研究提供更具可信度的数据基础。

4

数据集构建应用

4.1 数据集标注流程

本文构建“自动检测-多维人工标注-自动初筛-人工校正-专家审核”的数据集标注流程。如图4所示，系统首先导入数据并配置标注任务，利用目标检测、分割、深度检测和构图分析等模块生成辅助标注信息；随后，标注人员完成设计元素、艺术表达与艺术语义的多层级标注，并通过自动初筛与人工校正保证标注完整性和一致性。针对具有主观性的情感与审美标注，引入设计专家与普通用户的双主体标注机制，分别从专业分析与感知评价角度进行标注，最终经专家审核后结构化存储，形成可复用的标注数据集。

图4　数据集标注流程

4.2 插件化框架在实际标注任务中的应用

本文提出的插件化架构已应用于实际数据集构建任务中。当前系统已集成主体检测插件、深度检测插件、感兴趣区域（Region of Interest, ROI）标注插件以及构图辅助插件等多个功能模块。其中，主体检测插件能够自动识别图像中的主要视觉对象，为客体基础层标注提供初始候选区域；深度检测插件用于辅助分析场景空间关系和视觉层次；ROI标注插件支持局部区域独立标注与多尺度分析；构图辅助插件则提供三分法、引导线等视觉辅助工具，以提升艺术表达层标注的一致性。

例如，在人物肖像图像标注过程中，系统首先自动检测人物主体区域并生成候选框，随后标注人员进一步完成人物姿态、构图位置、光影关系以及情感表达等多层级信息标注，最终形成图像与结构化JSON描述间的一一映射关系。

4.3 标注效率与可扩展性分析

在实际应用过程中，该系统已应用于5000幅图像的多层级审美标注任务，共有10名专业标注人员、6名非专业标注人员参与数据构建工作。与传统通用标注工具相比，自动预标注机制减少了重复性操作，单幅图像平均标注时间由3 min降低至1 min。此外，插件化架构支持新功能模块的快速接入，目前系统已完成主体检测、深度检测、ROI及构图辅助等多个插件的集成验证，验证了系统良好的扩展能力与工程可维护性。

4.4 应用效果

针对生成模型在情绪表达中存在的视觉控制信息不足问题，本研究将所提出的方法应用于情感美学内容生成任务。通过将用户输入的抽象情绪意图进一步转化为主体表现、空间构图、光影色彩、艺术风格及负向约束等可执行的视觉控制信息，并结合知识检索、证据筛选、关系建模与字段编译形成结构化提示信息，从而增强生成结果对目标情绪及审美特征的响应能力。增强效果如图5所示。

图5　世界模型情感美学表现力增强效果

在数据集构建过程中，本研究将自动初筛机制应用于候选样本的批量筛选，再由人工对边界样本及异常结果进行校正，形成“自动筛选-人工复核”的协同标注流程。该方式在减少重复性人工操作的同时，能够及时修正模型误判，有效缩短单样本处理时间，并提升整体标注效率。

在初步标注完成后，本研究引入设计与视觉领域专家进行终审，对标注结果中的类别判断、视觉证据及情感归因进行进一步核验，并结合一致性指标和误差统计对标注质量进行量化评估。结果显示，专家审核后的标注结果具有较高的一致性与准确性，验证了该标注流程在实际数据集构建中的可靠性，为后续模型训练与情感美学分析提供了稳定的数据基础。

5

结语

本文面向计算美学中设计元素与审美情感的相关性分析需求，构建了一种多层级审美结构化标注数据体系。通过将视觉美学特征解耦为客体基础层、艺术表达层与应用语境层，本文为量化分析客体世界向艺术语义转化的内在机制提供了一种规范化的数据表示方法。同时，基于插件化架构的标注框架为该数据体系的构建提供了工程支撑。从应用层面看，该结构化表达方式亦可拓展至影视视觉语言分析，通过对景别、构图、光影、色彩及人物空间关系等镜头视觉要素的结构化描述，为影视画面的情绪氛围分析、视觉叙事研究及情感生成提供可计算的数据基础。未来的工作可依托该多层级结构化数据体系，进一步开展多模态相关性建模研究，探索更复杂的艺术风格与底层客体布局间的映射规律。此外，笔者未来计划引入更多的弱监督或无监督学习方法，以减少高层语义标注对人工专家的依赖，持续丰富审美与情感分析的数据底座。

参考文献

（向下滑动阅读）

[1] Machajdik J, Hanbury A. Affective image classification using features inspired by psychology and art theory[C]//Proceedings of the 18th ACM International Conference on Multimedia. New York: ACM, 2010: 83⁃92.

[2] Arnheim R. Art and Visual Perception: A Psychology of the Creative Eye[M]. Berkeley: University of California Press, 1974.

[3] Panofsky E. Meaning in the Visual Arts[M]. Chicago: University of Chicago Press, 1982.

[4] Murray N, Marchesotti L, Perronnin F. AVA: A large⁃scale database for aesthetic visual analysis[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Providence: IEEE, 2012: 2408⁃2415.

[5] Kong S, Shen X, Lin Z, et al. Photo aesthetics ranking network with attributes and content adaptation[C]//Proceedings of the European Conference on Computer Vision. Cham: Springer, 2016: 662⁃679.

[6] Talebi H, Milanfar P. NIMA: Neural image assessment[J]. IEEE Transactions on Image Processing, 2018, 27(8): 3998⁃4011.

[7] Lu X, Lin Z, Jin H, et al. RAPID: Rating pictorial aesthetics using deep learning[C]//Proceedings of the 22nd ACM International Conference on Multimedia. New York: ACM, 2014: 457⁃466.

[8] Mai L, Jin H, Liu F. Composition⁃preserving deep photo aesthetics assessment[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE, 2016: 497⁃506.

[9] Kao Y C, He R, Huang K Q. Deep aesthetic quality assessment with semantic information[J]. IEEE Transactions on Image Processing, 2017, 26(3): 1482⁃1495.

[10] Cao S, Ma N, Li Jiayang, et al. ArtiMuse: Fine⁃Grained Image Aesthetics Assessment with Joint Scoring and Expert⁃Level Understanding[PP/OL].(2025⁃07⁃19)[2026⁃08⁃11].https://arxiv.org/abs/2507.14533.

[11] Yi R, Tian H, Gu Z, et al. Towards Artistic Image Aesthetics Assessment: A Large⁃Scale Dataset and a New Method[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Vancouver: IEEE, 2023: 22388⁃22397.

[12] Achlioptas P, Ovsjanikov M, Haydarov K, et al. ArtEmis: Affective language for visual art[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Nashville: IEEE, 2021: 11569⁃11579.

[13] Yang J, Huang Q, Ding T, et al. EmoSet: A large⁃scale visual emotion dataset with rich attributes[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. Paris: IEEE, 2023: 20383⁃20394.

[14] Lang P J, Bradley M M, Cuthbert B N. International affective picture system (IAPS): Technical manual and affective ratings[M]. Gainesville: University of Florida, 2008.

[15] Lidwell W, Holden K, Butler J. Universal Principles of Design[M]. Beverly: Rockport Publishers, 2010.

[16] Norman D A. Emotional Design: Why We Love (or Hate) Everyday Things[M]. New York: Basic Books, 2004.

[17] Martin R C. Clean Architecture: A Craftsman's Guide to Software Structure and Design[M]. Boston: Prentice Hall, 2018.

[18] Gamma E, Helm R, Johnson R, et al. Design Patterns: Elements of Reusable Object⁃Oriented Software[M]. Boston: Addison⁃Wesley, 1995.

[19] Fowler M. Patterns of Enterprise Application Architecture[M]. Boston: Addison⁃Wesley, 2002.

[20] Parnas D L. On the criteria to be used in decomposing systems into modules[J]. Communications of the ACM, 1972, 15(12): 1053⁃1058.

[21] Mchugh M L. Interrater reliability: The kappa statistic[J]. Biochemia Medica, 2012, 22(3): 276⁃282.

期刊导读 |《现代电影技术》2026年第8期

罗强等：具身智能机器人技术闭环与影视IP赋能路径研究

林思玮等：中国虚拟现实电影技术、创作与产业发展研究