《現代電影技術》｜朱君：面向影視虛擬攝制的高保真數字資產管線研究

本文刊發于《現代電影技術》2026年第7期

專家點評

陳 軍

研究員

北京電影學院智能影像工程學院院長

影視虛擬攝制技術從“技術可行”到“工業可用”，其核心瓶頸是數字資產的供給效率與流通復用能力。傳統影視數字資產制作生產模式受限于傳統建模技術的低效與跨平臺流轉的格式壁壘，其已成為制約行業規模化應用的發展堵點。未來幾年，影視數字資產制作生產將向以下三個方面發展：一是重建技術須兼顧寫實精度與渲染速度，三維高斯波濺（3DGS）因其高保真效果與實時性能優勢，有望成為工業化建模的主流路徑，而四維高斯波濺（4DGS）將為動態三維數字資產提供最優解決方案；二是數字資產格式須打破各自為戰的亂局，OpenUSD憑借分層組合與跨工具兼容性，正成為行業通用格式；三是人工智能（AI）驅動的語義檢索與數字資產復用將徹底改變資產組織方式，使“一次制作、多項目復用”從工作設想轉變為可量化的效益指標。在上述背景下，構建一套能夠兼顧視覺真實感、生產效率與跨系統兼容性的數字資產管線，不僅是技術問題，更是我國影視工業自主化演進與智能化升級的戰略問題。《面向影視虛擬攝制的高保真數字資產管線研究》一文以上影制作為業務依托，在昊浦基地構建了從多源融合采集、3DGS建模與質量評估到OpenUSD資產管理平臺的全鏈路方案，并驗證了AI檢索與復用機制的有效性。論文邏輯清晰，數據翔實，為影視數字資產生產的自主工具鏈研發提供了技術示范，對影視數字資產庫的標準化建設具有直接指導意義。

項目信息

上海市科學技術委員會 2025 年度關鍵技術研發計劃“元宇宙”專項項目“面向虛擬現實電影的全流程數智化制播平臺應用場景示范”（25511107400）。

作者簡介

朱 君

大學本科，高級工程師，上海電影技術廠有限公司副總經理，主要研究方向：影視數字技術、影視后期制作技術、虛擬攝制與數字資產管理。

摘要

基于影視虛擬攝制對高保真、低延遲、可復用數字資產的迫切需求，針對傳統建模方案在生產效率與跨平臺流轉方面的固有局限，本文以上影制作為業務主體、旗下上影昊浦智慧產業社區為工程實踐平臺，系統闡述了以三維高斯潑濺（3DGS）為核心建模方案、以OpenUSD為資產標準格式的影視數字資產生產與管理管線；解析了多源采集工作流設計、3DGS建模參數優化策略、基于OpenUSD的資產管理平臺架構及AI驅動資產檢索機制，并重點論證了“一次制作、多項目復用”策略的可行性。本文提出并初步驗證了該管線在確保高保真渲染質量的前提下，可顯著縮短資產生產周期并提升跨項目復用率，可為國內影視虛擬攝制的數字資產自主化、標準化生產提供可復制的實踐路徑。

關鍵詞

三維高斯潑濺（3DGS）；OpenUSD；虛擬攝制；資產復用

1

引言

近年來，虛擬攝制（Virtual Production）技術正深刻重塑影視內容生產方式。通過將數字虛擬場景與真實攝影機拍攝畫面實時融合，虛擬攝制打破了傳統從前期拍攝到后期特效的線性工作流，使導演、攝影師與視覺特效團隊能在現場即時協同并作出決策[1]。然而，虛擬攝制對數字資產高保真、低延遲、可復用的核心訴求在現有技術體系下仍面臨三重困境。

（1）以多視圖立體重建（Multi?View Stereo, MVS）為代表的攝影測量方法，在處理高頻細節紋理（如織物、樹葉）或復雜光照環境時，幾何重建精度難以達到影視近景鏡頭的使用標準；而人工建模方案雖精度可控，卻面臨周期長、成本高的規模化生產瓶頸[2]。

（2）神經輻射場（NeRF）在新視角合成質量上取得了顯著突破[3]，由于其本質上依賴密集的神經網絡推理計算，在影視現場監看所要求的實時幀速率下難以滿足性能需求，距更廣泛的工程應用仍有差距。相關綜述研究指出，NeRF高昂的重建成本與非實時渲染速度，是限制其在影視制作中應用的主要因素[4]。

（3）當前，各項目生產的數字資產普遍以私有格式存儲，跨軟件、跨項目調用面臨格式轉換、材質重制等高成本流程，資產的實際復用率偏低，嚴重制約了虛擬攝制模式規模化推廣的經濟可行性[5]。此外，現有研究表明，影視數字資產還面臨數據量龐大、技術迭代快速導致的軟件依賴風險、缺乏統一元數據規范等深層困境，并指出開放格式對資產長期保存與復用的關鍵作用[2]。

基于上述困境，本文所構建的技術管線以三維高斯潑濺（3D Gaussian Splatting, 3DGS）為核心建模方案，以OpenUSD為數字資產標準格式，通過構建“多源采集→3DGS建模→USDZ封裝→AI檢索復用”的完整鏈路，提出了一套面向影視生產的多源數據融合采集與3DGS差異化建模方案，針對道具類、外景地類與經典IP類資產分別制定了適配的建模策略與質量評估標準；設計并初步驗證了基于OpenUSD的數字資產管理平臺架構，打通了3DGS模型到USDZ格式的轉化通路；探索了AI驅動下的數字資產檢索與復用機制，為“一次制作、多項目復用”提供了可工程化的實現路徑。

2

相關技術研究進展

2.1 3DGS技術原理及其影視適用性分析

2023年，Kerbl等[6]提出以顯式三維高斯基元（Gaussian Primitive）的集合參數化表征三維場景，即三維高斯潑濺（3DGS）。每個高斯基元由空間均值（位置）、協方差矩陣（形狀與朝向）、不透明度及球諧函數系數（視角相關顏色）等4類參數完整描述。在開展渲染任務時，系統對所有高斯基元按深度排序后投影至圖像平面進行Alpha混合，通過對大量基元的GPU并行光柵化操作實現實時渲染幀速率[6]。

與主流方案相比，3DGS展現出顯著的技術優勢。在渲染速度方面，3DGS的顯式表征特性使渲染無需神經網絡推理，在相同硬件條件下可達NeRF渲染速度的1~2個數量級以上[6]；在編輯靈活性方面，顯式高斯基元可被直接選取、移動和修改，與影視數字資產迭代修改的工作流具有天然適配性，而NeRF的隱式場景表征在此方面存在本質局限；在存儲格式方面，高斯基元的點集形式便于序列化存儲，并可轉化為多邊形網格格式接入現有數字內容創作（DCC）軟件流水線。在大規模場景方面，Kerbl等[7]進一步提出層級3DGS表示方案，通過將場景劃分為多個層級塊支持動態細節層次（LOD）模型加載，有效緩解了超大場景的顯存壓力，內存優化技術亦在持續推進[8]。Azzarelli等[9]提出的方案以不足2小時的訓練時間與35 FPS的渲染幀速率，實現了對虛擬攝制場景的實時重光照能力，驗證了3DGS在虛擬攝制環境下的工程可行性。

盡管如此，3DGS在影視應用中仍面臨諸多挑戰。現有研究指出，3DGS在訓練效率、渲染速度和可編輯性方面具有顯著優勢，在大規模場景、室內外復雜環境等任務中展現出廣闊的應用潛力[10]，正推動實時高精度三維重建的工業化應用[11]。但其顯存占用極高，編輯及光照技術尚不成熟[4]。具體而言，鏡面反射、折射與次表面散射等復雜光學現象難以僅憑高斯基元精準重現；動態場景的時序一致性建模尚未成熟[12]；此外，單場景3DGS模型通常需保留數量龐大的高斯基元，各屬性以高精度浮點格式存儲，容易達到數百MB的規模[13]，對存儲與傳輸效率構成壓力。

2.2 OpenUSD規范在影視流程中的應用現狀

OpenUSD（Open Universal Scene Description）由皮克斯動畫工作室（Pixar Animation Studios）于2016年開源發布，其設計初衷即為解決大型影視工業鏈中多軟件、多團隊并發工作時數字資產互通的難題[14]。

皮克斯等國際動畫工作室已將OpenUSD深度集成至相應影視制作流程中，實現了跨部門并發創作的版本管理與資產共享。2023年成立的OpenUSD聯盟（Alliance for OpenUSD，AOUSD）[15]，標志著這一制作規范向更廣泛的行業生態加速演進；該聯盟于2025年12月正式發布的OpenUSD Core Specification則進一步明確了規范路徑[16]。USDZ格式作為面向實時渲染與增強現實/虛擬現實（AR/VR）應用優化的封裝規范，已獲得NVIDIA Omniverse等主流實時渲染平臺的原生支持，具備成為影視數字資產跨平臺流通通用格式的條件。

值得關注的是，AOUSD于2026年3月發布的OpenUSD v26.03版本引入了UsdVolParticleField模式家族，其中包括UsdVolParticleField 3D Gaussian Splat模式，即首個將3DGS數據作為USD“一等公民”原生支持的規范。該版本同時提供了將PLY格式高斯點云轉換為USD的參考腳本以及名為HD Particle Field的參考渲染器，標志著3DGS正被主流數字資產語言體系吸納進標準化軌道，也為本文所提管線中3DGS到USDZ的轉化提供了官方的技術基礎。

當前，國內影視行業在OpenUSD的落地應用上尚處于起步階段。國內主流DCC軟件對OpenUSD的兼容性參差不齊，跨軟件資產流轉中材質參數丟失、骨骼數據損耗等問題仍較為普遍，統一的行業級資產元數據標準尚未建立，這一差距也為本文所提管線提供了背景支撐。

3

面向影視生產的3DGS數字資產采集與建模

3.1 多源采集方案設計

高保真數字資產的生產起點是完整、精準的實景數據采集。上影制作在2024年6月上影昊浦智慧產業社區正式運營之際，于松江昊浦影視基地（簡稱“昊浦基地”）建立了以激光掃描儀、8K全畫幅相機矩陣與無人機航拍為核心方式的多源融合采集方案。通過該工作流采集的三類數據各盡其用，共同構成覆蓋宏觀幾何、表面紋理與大范圍地形的完整采集鏈路。

3.1.1 激光掃描：高精度點云采集

激光掃描儀通過飛行時間（ToF）或相位差測距原理，以毫米級精度獲取場景三維點云，承擔宏觀幾何結構的精準測量任務。其核心優勢在于對光照條件不敏感，并能在復雜光環境下穩定捕獲結構信息。因此，激光掃描儀更適用于面向建筑外立面、室內空間（含遮擋區域）、大型道具等的精細幾何結構掃描。對于傳統攝影測量方案在遮擋區域容易產生幾何空洞的場景，激光掃描可提供可靠的幾何基礎數據。

3.1.2 相機矩陣：高分辨率紋理采集

8K全畫幅相機矩陣負責獲取高分辨率紋理信息，彌補激光點云在色彩與表面細節表達方面的局限。8K全畫幅傳感器提供的高像素密度與寬動態范圍，確保了紋理數據在3DGS訓練階段的充分有效信息量。

該相機矩陣以8K全畫幅電影級攝影機為采集核心，搭載高品質定焦鏡頭，矩陣規模根據采集目標動態配置：道具級資產通常采用40~60臺相機組成的矩形或半球形陣列，實現全周向無死角覆蓋；大型場景則采用多機位移站拍攝策略。相機矩陣與激光點云的配準通過編碼標定靶標與聯合平差算法實現，即在采集現場布設不少于8個編碼標志點作為空間基準，激光掃描與相機拍攝共用同一坐標系，經后處理軟件自動完成點云與影像數據的空間對齊與紋理映射。

3.1.3 無人機航拍：大范圍外景地采集

當前，基于無人機傾斜攝影的大規模實景三維建模已能滿足影視級別的場景重建需求[17]，DroneSplat等[18]專為無人機圖像設計的魯棒3DGS重建框架進一步提升了野外航拍數據的建模可靠性。

該方案采用五鏡頭傾斜攝影方案通過無人機航拍采集素材，飛行路徑規劃遵循“井”字形航線與環繞航線相結合的策略：首先按預設航高（通常為30~120米，視場景規模而定）執行正射與四向傾斜交叉航線，確保相鄰航片重疊率不低于75%（航向）與65%（旁向）；針對重點建筑物或標志性地物，額外執行環繞航線以補全立面紋理。數據質量控制方面，每次飛行前校準慣性測量單元（IMU）與全球導航衛星系統（GNSS）定位模塊；飛行中實時監控姿態角與曝光參數；采集完成后通過快速空三解算檢驗影像連接點分布與重投影誤差，重投影誤差控制在0.5像素以內方判定為合格數據。

3.1.4 多源數據融合方案與質量驗收標準

多源數據融合采用“激光點云定幾何、影像數據附紋理”的分層融合策略：以激光掃描點云作為幾何基準，通過迭代最近點（ICP）算法將多站激光數據進行全局配準；無人機傾斜攝影生成的密集點云與激光點云通過地面控制點進行聯合平差，消除系統性偏移；8K相機影像經色彩校正與白平衡統一后，通過COLMAP恢復相機位姿，并與激光點云進行像素級紋理映射。研究表明，多源傳感融合通過融合視覺、激光雷達與IMU數據，可有效提升3DGS資產重建的質量和魯棒性[4]。

融合后的點云需滿足以下質量驗收標準：

（1）幾何精度：控制點處誤差不超過2 mm（道具級）或5 cm（外景地級）；

（2）紋理分辨率：超高清影像紋理有效像素不低于4096×4096；

（3）點云完整性：模型表面無明顯孔洞或噪聲區域，缺失面積不超過總表面積的3%。

該工作流已完成經典IP道具的數字孿生采集、上海影視樂園標志性建筑立面的數字化存檔，以及多個外景地的大范圍航拍建模，累計完成高精度數字資產采集超過40項，為3DGS建模提供了充足的源數據儲備。

3.2 3DGS建模流程與參數優化

3.2.1 初始點云預處理

融合點云在進入3DGS訓練前需經歷的預處理步驟主要包括：去除點云密度異常低的噪聲點；控制點云密度在均勻水平，減少冗余計算；法向量估計。點云密度的最終控制目標則因場景類型而異，如精細道具類資產以保留細節為優先目標，因此降采樣程度較低；而大范圍外景地場景為控制顯存占用，可適當提高降采樣比例。

3.2.2 3DGS訓練參數配置

以預處理后的稀疏點云作為高斯基元初始位置，通過最小化多視角渲染損失迭代優化所有高斯基元參數。訓練過程中，系統自適應執行致密化與剪枝[6]，以達到提升局部表達能力、控制模型規模的目的。

模型會根據輸入圖像的復雜度動態調整高斯基元數量，圖像越復雜，產生的高斯基元越多，顯存占用也相應增加。昊浦基地128卡算力中心采用分布式訓練調度策略，單次訓練任務可調度8~32張GPU并行，典型訓練配置與高斯基元數量收斂范圍如表1所示。

表1　數字資產訓練配置

3.2.3 差異化建模策略

不同類型數字資產在建模目標與質量要求上存在顯著差異，針對三類核心數字資產，我們制定了差異化的建模策略。

（1）高頻細節數字資產（道具、服裝、面部）：提高高斯基元密度上限，適當延長訓練迭代輪次，以確保細小紋理的保留精度；對金屬、玻璃等反射材質，結合人工精修流程補充高光與反射細節。

（2）大范圍場景數字資產（外景地）：采用層級3DGS表示方案[7]，將場景空間劃分為多個重疊子塊分別訓練，再通過層級融合機制整合為統一模型，支持基于視距的動態LOD切換，有效控制實時渲染顯存占用；

（3）經典IP數字資產：在采集數據的基礎上，參照原畫稿、設計圖紙等歷史美術設計資料進行人工精修，以數字孿生標準確保數字資產與原著設定的形態與色彩一致性，并經創作團隊確認后方可入庫。

3.2.4 模型質量評估標準

建模完成后，采用峰值信噪比（PSNR）、結構相似性（SSIM）指數與學習感知圖像塊相似度（LPIPS）三項常用指標對渲染質量進行量化評估。對于未達到質量閾值的局部區域，觸發補充采集與局部重訓練流程。該工作流在典型場景的實測過程中得到的質量指標見表2。

表2　典型場景的實測質量指標

作為參照，3DGS在公開數據集（如Mip?NeRF 360[13]等）上的典型指標為PSNR 27~32 dB、SSIM 0.78~0.85、LPIPS 0.20~0.25。道具類數字資產的PSNR達到38.5~42.0 dB，顯著優于公開基準，這得益于多源融合采集提供的高質量輸入數據以及針對影視級精度定制的訓練參數優化。

3.3 數字資產分類體系與元數據規范

為支撐數字資產的高效檢索、差異化生產調度與多項目復用，本文所提方案在入庫環節即建立了一套分類、標注與分級三位一體的管理體系。在分類體系設計上，依據數字資產的應用場景、采集對象及復用模式將其劃分為三個基本類型。其一為經典IP資產，特指源自上影集團歷史經典影片中標志性角色、場景及道具的數字孿生模型，例如《大鬧天宮》《葫蘆兄弟》等IP相關的三維數字資產。此類數字資產以與原始美術設計的高度一致性為首要約束，精度要求居于所有類別之首，入庫前須經創作團隊專門驗收確認。其二為外景地數字資產，以上海影視樂園及合作外景地為采集對象，覆蓋街景、建筑群及自然地形等大范圍三維場景，其建模側重宏觀結構的完整性與實時渲染性能的平衡，對局部細節的精度要求相對低于IP類數字資產。其三為道具數字資產，即面向具體拍攝需求采集的單體道具、服裝及陳設品，強調細節保真度與材質真實感。該類數字資產復用頻率最高，是本方案“一次制作、多項目復用”的核心受益對象，其標準化程度也最易于推廣。

在元數據字段層面，每項資產入庫時須標注多維度的描述信息，以支持后續人工智能（AI）語義檢索與智能推薦引擎的運作。具體而言，元數據涵蓋基礎信息、技術參數、來源信息、版權與使用以及復用記錄等五個類別。上述字段中，技術參數與復用記錄直接服務于質量評估和推薦算法的計算，而版權與使用信息則為數字資產在跨項目合規調用時提供必要的法律依據。

在質量管理層面，該方案實施三級質量標準，以量化指標和主觀驗收相結合的方式區分數字資產的應用層級。A級精品數字資產的PSNR不低于38 dB，LPIPS不高于0.03，且高斯基元密度需充分滿足細節還原要求，適用于電影級近景特寫鏡頭，入庫前須經技術廠專家評審。B級標準數字資產的PSNR不低于34 dB，LPIPS不高于0.06，適用于中景及遠景鏡頭、電視劇集及預可視化階段。C級快速數字資產的PSNR不低于30 dB，LPIPS不高于0.10，主要面向快速預演與大范圍背景填充等低精度需求場景。不同級別數字資產對應差異化的制作工時與訓練資源配置：A級數字資產的訓練迭代輪次通常為B級的1.5至2倍，而C級數字資產則采用輕量化訓練策略以壓縮生產周期，從而在質量保障與成本控制之間形成彈性調節機制。

4

基于OpenUSD的數字資產管理平臺

4.1 平臺整體架構設計

上影聯合NVIDIA Omniverse開發的OpenUSD數字資產管理平臺以“格式標準化、流轉無摩擦、復用可追溯”為核心設計原則，采用四層分層架構。

（1）數據采集層：對接激光掃描儀、8K相機矩陣、無人機航拍等多源采集設備，負責原始數據的統一接入、格式規范化與質量初檢。該層通過標準化數據接口，將不同采集設備輸出的點云、影像、位姿數據統一轉換為平臺可識別的中間格式（PLY/EXR/JSON），并完成數據完整性校驗。

（2）資產生產層： 承載3DGS模型訓練、質量評估與格式轉化核心功能。該層調度128卡算力中心的GPU資源，執行從稀疏點云到高斯基元模型的訓練迭代、質量指標計算（PSNR/SSIM/LPIPS），以及3DGS模型到USDZ格式的封裝轉化。生產層與數據采集層之間通過自動化數據管道銜接，采集數據完成質量驗收后自動觸發訓練任務，訓練完成后自動進入質量評估流程。

（3）資產管理層： 基于OpenUSD標準構建數字資產庫，實現數字資產的統一存儲、版本管理、元數據標注與檢索。該層是平臺的核心數據中樞，采用“資產主文件（USD）+ 多版本疊加層”的存儲模式。基礎資產以USD格式存儲于中央庫，各項目定制的修改版本以層（Layer）的形式疊加，不破壞原始資產。該設計參考了OpenUSD層合成允許多個創作者在不破壞基礎資產的前提下疊加差異化修改[14]的核心思想。管理層同時集成AI驅動的數字資產檢索與復用推薦引擎。

（4）應用服務層： 面向終端用戶提供資產調用、實時渲染與跨平臺分發服務。該層通過RESTful API與NVIDIA Omniverse等實時渲染平臺對接，支持虛幻引擎（UE）、Maya、Houdini等主流DCC軟件的直接調用。應用服務層還負責記錄資產調用日志與復用數據，反饋至管理層以優化推薦算法。

4.2 3DGS模型到USDZ格式的轉化規范

3DGS高斯橢球體模型與OpenUSD生態的格式兼容，是打通資產生產與資產管理兩個環節的關鍵節點。由于3DGS的顯式高斯基元表征與傳統多邊形網格存在本質差異，直接轉化不可避免地引入視覺保真度損耗，需通過規范化流程加以控制。

轉化技術路徑分為兩步：

（1）將訓練完成的3DGS模型通過官方提供的腳本轉化為USD格式。該腳本利用OpenUSD v26.03引入的UsdVolParticleField 3D Gaussian Splat模式，將高斯點云數據編碼為USD原生粒子場類型。轉化后的USD文件保留了完整的基元參數，可在支持該模式的渲染器中直接渲染。

（2）將USD文件通過USDZ打包工具封裝為USDZ格式，遵循此類文件的標準層級組織規范，即頂層為場景根節點（Root Prim），依次向下組織幾何體節點（Mesh Prim）、材質綁定（Material Binding）與紋理引用（Texture References）；對于包含動畫的資產，骨骼與變形數據按USD SkelRoot規范封裝，確保跨平臺讀取時動畫數據完整性。

隨著3DGS到Mesh轉化算法的持續成熟，未來我們將進一步提升轉化流程的自動化程度與精度保真性，降低人工介入比例。

4.3 AI驅動的資產檢索與匹配機制

全工作流的AI資產檢索機制基于多模態特征融合實現從“關鍵詞搜索”到“場景描述搜索”的升級。劉笑微[19]認為，AI有望成為虛擬攝制的柔性協同中間層和粘合劑，生成模型有望借助語義檢索和自動標簽體系，依據光照、尺度、反射率等參數對海量素材進行動態排列。具體技術路徑包括以下三方面內容：

（1）視覺特征提取：對每項入庫數字資產的多視角渲染圖提取深度視覺特征（采用ResNet?50/ViT等骨干網絡[20]），構建高維特征向量索引庫。檢索時，用戶上傳參考圖或場景草圖，系統通過特征相似度匹配返回視覺上最接近的候選資產。

（2）語義特征融合：結合數字資產的文本元數據，通過CLIP等多模態模型將文本與圖像映射至同一語義空間，支持“一個廢棄的工業廠房內景”“帶有歐式雕花的木質道具”等自然語言描述檢索。

（3）復用推薦算法：基于歷史復用記錄構建數字資產項目-場景的協同過濾圖譜。當新項目錄入場景需求時，系統自動檢索與該場景視覺相似度最高且歷史復用率最高的資產，并給出復用建議與預估適配度評分。推薦算法綜合考慮三項權重：視覺相似度（40%）、歷史復用成功率（35%）、元數據標簽匹配度（25%）。

4.4 “一次制作、多項目復用”的工程實現

數字資產復用的技術前提可從三個相互關聯的層面加以界定。在格式標準化方面，所有數字資產均以OpenUSD或USDZ作為統一存儲格式，此舉旨在確保資產在不同DCC軟件及渲染器間具備一致的可讀性與交換能力，從而消除因格式異構導致的流通障礙。在參數可調性方面，資產在建模階段即需保留關鍵可調參數，包括但不限于LOD等級、材質替換接口等，以便在復用過程中能夠根據具體項目的視覺需求與性能約束進行差異化適配，避免重復建模或返工。在版本管理方面，依托USD層合成機制對每次復用所產生的修改記錄進行系統化留存，確保任意歷史版本均可準確定位與回溯，為資產的長期維護與多項目并行復用提供可靠的技術保障。

跨項目數字資產復用的推廣方案為“資產集+項目訂閱”模式：各制作項目按需從平臺資產庫中訂閱數字資產，訂閱后獲得該數字資產的使用授權與當前版本的完整副本；項目對數字資產的定制修改以USD疊加層的形式獨立保存，不污染原始數字資產；項目完成后，經評估具有通用價值的定制版本可反向貢獻至平臺資產庫，經審核后納入標準數字資產目錄，供后續項目復用。數字資產所具備的可繼承性與可迭代性，使創作人員無需對原有資產推倒重建，可直接基于既有元數據進行動態調整與版本優化[21]，從而實現了“使用-反饋-沉淀-再復用”的正向循環。

截至目前，該平臺已實現數字資產復用的項目包括：多部AIGC微短劇（資產復用率達40%~60%）、多個虛擬攝制測試項目及商業化廣告制作項目。累計復用次數超過120次，單資產最高復用次數達12次。資產復用使單項目數字資產制作周期平均縮短35%~50%，顯著降低了虛擬攝制的邊際成本。

5

典型資產制作案例

近期，我們對上海影視樂園南京路200米內范圍進行了3DGS建模，計劃將其納入B級標準的虛擬攝制背景場景資產，量化分析如表3所示。

表3　上海影視樂園南京路街區3DGS建模量化分析

該資產已被3個以上的虛擬拍攝測試項目調用，實時渲染幀速率在NVIDIA GeForce RTX 4090上達到45~60 FPS（視LOD等級而定），視覺合成質量經主觀評估達到與實拍素材無縫融合的標準見表4。

表4　A級道具資產跨項目復用成本效益量化分析

在虛擬合成端的性能表現方面，USDZ格式資產在UE中的加載時間平均為1.5~4.0秒（視資產規模而定），實時渲染穩定性良好，連續渲染4小時未出現顯存泄漏或幀速率跌落。與傳統計算機圖形學（CG）手工建模資產相比，3DGS資產的視覺真實感顯著優于傳統方案（尤其在復雜光照和反射表面方面），而渲染性能與傳統低多邊形資產相當，資產制作周期則縮短了60%~75%。

6

結語

本文以上海電影（集團）有限公司旗下上影制作為業務主體，以其所屬昊浦基地為工程實踐平臺，圍繞以3DGS為核心建模方案、以OpenUSD為資產標準格式的影視數字資產生產與管理管線，進行了系統性的梳理與論證。從技術實踐的角度來看，本文的核心貢獻主要體現在三個層面。在數據采集端，本文建立了一套融合激光掃描、8K相機矩陣與無人機航拍的多源融合采集方案，并配套制定了相應的質量驗收標準，從而為3DGS影視級建模提供了具備可復用性的數據生產規范。在建模端，本文針對道具類、外景地類與經典IP類等不同資產類型，分別制定了差異化的建模策略與三級質量分級標準，并給出了典型場景下的訓練參數配置與關鍵質量指標參考，使建模流程具備了更高的可控性與可解釋性。在管理端，本文設計并初步驗證了基于OpenUSD的四層資產管理平臺架構，打通了從3DGS原始成果到USDZ標準格式的轉化通路，同時借助AI驅動的語義檢索與復用推薦機制，實現了“一次制作、多項目復用”的工程化落地目標，至投稿時累計資產復用次數已超過150次。

盡管上述方案已在多個實際項目中得到初步驗證，但就其現階段的能力邊界而言，仍存在若干不可忽視的局限。在建模精度方面，當前3DGS技術對于鏡面反射、折射及半透明材質的光學特性表達尚不夠精準，涉及金屬、玻璃等材質的資產仍難以完全脫離人工精修環節。在動態場景處理上，四維高斯潑濺（4DGS）的時序一致性建模目前整體上仍處于探索階段，正如已有研究指出，動態場景的高斯建模正逐步從簡單的時間內插與剛性偏移，發展為更復雜的時空聯合建模[12]，而當前管線僅能有效支撐靜態數字資產的采集與后續復用，對動態人物與可變形物體的覆蓋尚屬空白。在資產規模層面，當前入庫資產總數約為兩百余項，相較于支撐大規模虛擬攝制生產的實際需求仍存在顯著差距。此外，OpenUSD作為新興的通用資產交換格式，在國內影視行業的整體生態尚未完全成熟，主流DCC軟件對USDZ格式的兼容性與數據保真度仍需在長期生產實踐中持續驗證與迭代優化。

針對上述不足，后續我們將從以下方向協同推進。在技術縱深上，計劃聯合高校與科研機構共同攻關動態場景下的4DGS建模方法，逐步將現有管線的覆蓋范圍從靜態資產延伸至動態人物表演與復雜場景實時捕捉。在標準建設上，將積極與國際、國內相關行業組織開展緊密協作，參與影視數字資產元數據規范的起草與研討，力求推動形成適應國內制作流程的標準體系。在數字資產庫容量擴充上，明確規劃在未來兩年內將入庫數字資產總量提升至一千項以上，重點覆蓋更多具有高復用價值的經典IP元素與典型外景地類型。在工具鏈生態上，擬聯合NVIDIA、Autodesk等關鍵技術伙伴，進一步深化平臺與Omniverse、Maya等主流創作工具的原生集成，持續提升數字資產在不同制作環節間的流轉效率。與此同時，還將探索引入生成式AI技術以實現資產模型的自動補全與材質細節的智能增強，從而在保證質量的前提下有效降低高精度資產的生產門檻，為影視虛擬攝制的規模化落地提供更為堅實的技術底座。

參考文獻

（向下滑動閱讀）

[1] Kadner N. The Virtual Production Field Guide v1.3[EB/OL].[2026?07?02]. https://www.unrealengine.com/en-US/vpfieldguide.

[2] Samaras E. Futureproofing Visual Effects: Challenges and Strategies for Preserving Digital Assets and Records[J]. International Journal of Digital Curation, 2021,16(1):15. DOI:10.2218/ijdc.v16i1.689.

[3] Mildenhall B, Srinivasan P P, Tancik M, et al. Nerf: Representing scenes as neural radiance fields for view synthesis[J]. Communications of the ACM. 2021,65(1):99?106.

[4] 陳軍, 盧柏宏, 黃子津, 等. 影視數字資產的智能構建：基于Multi?SLAM+3DGS技術的三維數字重建方案研究[J]. 現代電影技術, 2026(3):1?10.

[5] Willment N, Swords J, Thomas B. The Evolution of Virtual Production: Issues and Opportunities[R/OL]. [2026?07?02]. https://xrstories.co.uk/wp-content/uploads/2023/11/The-Evolution-of-Virtual-Production_final.pdf.

[6] Kerbl B, Kopanas G, Leimkühler T, et al. 3D Gaussian Splatting for Real?Time Radiance Field Rendering[PP/OL]. (2023?08?08)[2026?07?05].https://arxiv.org/abs/2308.04079.

[7] Kerbl B, Meuleman A, Kopanas G, et al. A Hierarchical 3D Gaussian Representation for Real?Time Rendering of Very Large Datasets[PP/OL]. (2024?06?17)[2026?06?07].https://arxiv.org/abs/2406.12080v1.

[8] Papantonakis P, Kopanas G, Kerbl B, et al. Reducing the Memory Footprint of 3D Gaussian Splatting[C]//Proceedings of the ACM on Computer Graphics and Interactive Techniques, 2024,7(1):1?17.

[9] Azzarelli A, Anantrasirichai N, Pollock J, et al. Relightable Gaussian Splatting for Virtual Production Using Image?Based Lighting[PP/OL]. (2026?05?09)[2026?07?02]. https://arxiv.org/pdf/2605.09024.

[10] 李洪安, 楊嘉樂, 劉慶芳, 等. 基于高斯潑濺的復雜場景重建研究現狀與展望[J]. 系統仿真學報, 2026,38(6):1535?1566.

[11] 陶學愷, 王嘉樂. 技術降本與創作增效：AI驅動下的虛擬攝制技術研究[J]. 現代電影技術, 2025(5):4?8.

[12] 連振晗, 王章野, 牛炯, 等. 基于三維高斯潑濺的動態場景重建研究綜述[J]. 計算機輔助設計與圖形學學報, 2026，38（1）：61?77.

[13] 閆科, 王慧, 李祝鑫, 等. 面向計算資源受限的屬性感知三維高斯濺射壓縮方法[J/OL]. 激光與光電子學進展, 2026. https://link.cnki.net/urlid/31.1690.TN.20260622.1324.024.

[14] Pixar Animation Studios. Universal Scene Description (OpenUSD)[EB/OL].[2026?07?02]. https://www.pixar.com/openusd.

[15] jdf. Pixar, Adobe, Apple, Autodesk, and NVIDIA Form Alliance for OpenUSD to Drive Open Standards for 3D Content[EB/OL].(2023?08?01)[2026?07?02].https://jointdevelopment.org/announcement/2023/08/01/pixar-adobe-apple-auto

desk-and-nvidia-form-alliance-for-openusd-to-drive-open-standards-for-3d-co

ntent/.

[16]Alliance for OpenUSD (AOUSD). USD Core Specification v1.0.1[EB/OL]. (2025?12?12)[2026?07?02]. https://drive.google.com/file/u/0/d/1lh-28b4mN37WrH2zVM5d0YQ2gZtS8wNO/view?pli=1.

[17] Wang R, Zhang Y. Research on Real?Scene 3D Modeling of Geoinformation Based on UAV Oblique Photogrammetry Data[C]// Proceedings of the 2025 3rd International Conference on Mathematics and Machine Learning,2025:405?412.

[18] Tang J, Gao Y, Yang D, et al. DroneSplat: 3D Gaussian Splatting for Robust 3D Reconstruction from In?the?Wild Drone Imagery[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2025:833?843.

[19] 劉笑微, 張月, 侯嵐天. 人工智能驅動下的電影虛擬攝制：技術融合與流程重構[J]. 現代電影技術, 2026(4)：26?33.

[20] Zhang R, Isola P, Efros A A, et al. The Unreasonable Effectiveness of Deep Features as a Perceptual Metric[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2018: 586?595.

[21] 李煉. 虛擬攝制技術范式變革及影視工業流程再造研究[J]. 現代電影技術, 2026(2):7?10.

期刊導讀 |《現代電影技術》2026年第7期

黃東晉等：面向電影前期視覺開發的圖像智能生成框架研究

王雷等：基于三維高斯潑濺的立體電影制作技術質量評價框架與SHARP模型適應性研究