摘 要：随着电子计算机人工智能方向的不断探索和发展，尤其是人工神经网络的广泛运用，电脑AI已经是各行各业都不可回避的问题，这里既有AI发展带来的压力与更替，更代表着新机会与技术革新。针对现代影视播放渠道平台化，剧集生产周期节奏快，制作量巨大等新问题的产生，有效利用AI人工智能技术特点，可以帮助传统影视制作行业在不扩大人力成本的同时，有效缩短制作周期，提高制作质量。本文就从AI制作的技术原理特点，及其发展方向上进行研究，阐述AI人工智能在目前影视制作中的优势以及具体应用模式，以及对未来影视AI技术可能的发展方向提出可行性建议和参考。

关键词：人工神经网络;影视AI技术;人工智能;影视制作

一、引言：

近来手机AI 换脸应用的火爆，在各网站和头条视频都有它们的身影，软件通过用户上传的一些带有自己或他人的照片替换到视频中的人物面孔，效果非常逼真，即使普通人也可以通过简单的几步操作，通过手机APP就制作出堪比特效大片的换脸效果，引起一时轰动。而这些流行的AI软件其核心就是人工神经网络，而不用或减少人工参与就是其最大的特点和优势。

二、人工神经网络原理特点：

它的工作原理，模仿生物神经网络的各类行为学特征，进行组合排列并信息化处理的数学算法模型。我们把它叫做，人工神经网络（Artificial Neural Networks）也可以简称为神经网络（NNs）。

如下图1所示，这种网络的特点是，依靠复杂系统，通过内部调节众多节点与节点之间相互依存的关系，从而达到处理信息目的。在工程与学术界也常直接简称为”神经网络”或类神经网络。

受到生物大脑结构的启发，而创造出来的人工神经网络，是它能拥有真智能的主要原因。在我们的大脑中，有数以十亿计的神经元细胞，它们彼此之间连接成了一个神经网络。

通常我们认为，对象大脑的结构越简单，那么智商就越低。所以单细胞生物智商极低。人工神经网络也是同样道理，构成网络结构越复杂它就越强大，所以我们需要有一定深度和广度的神经网络。这里的深度特指层数多，层级数越多那么，构建成的神经网络就越复杂。

三、人工神经网络如何进行学习

假设有一张图摆在我们面前，我们可以很快地识别出图像中画面是什么，但从计算机角度来，它所观察到的只是数字，不具备直观的理解数学背后所表示图像的能力。所以要让计算机可以识别画面，第一步要就是让计算机可以理解代表画面的这些数字，如下图2图3所示，人可以很快看出画面中有猫，而计算机却不行。

同样，这个问题也可从生物学上寻找灵感，例如生物是如何「理解」看见世界的？对生物而言，看到的只是光从不同角度反射到物体上带来的信息，但这些信息并没有告诉我们图中有猫。

这里面的重点在于，生物可以很容易地通过很底层基础信息获取其背后的抽象认知，比如人类看见猫的图像其实就是对这类底层信息抽象得到图中小猫的。

神经网络的学习原理，实际上就是模拟一种电脑信息，将这类信息抽象成更高的信息，然后更高的信息再进一步继续抽象。

总而言之，如下图4所示，就是通过类似过滤器的矩阵（本质就是一个二维数组）与图像中的数据资料进行组合，获得某个抽象层，抽象层中的信息同时也代表更高一层的信息，然后以同样的方式再通过过滤器与当前抽象层进行组合运算，获得下一个更高信息维度的抽象层。

四、AI人工智能技术在影视制作中的优势：

第一，一次学习，终身受益。神经网络学习的过程顾名思义这是一个学习的过程，学习的过程时间会比较长，但是一旦学会了是可以重复提取价值的，和传统技术不同的是，以前制作是需要制作人员，一个镜头一个镜头的处理。同类型同场次镜头一般不会分到不同制作人员制作，害怕不同制作人员水平和技术差距导致出现镜头效果不一致或无法衔接的窘况。而现在是，我教会电脑怎么做镜头，学会了电脑AI会根据标准镜头，统一批量生产。这样设备越多，生产力就越大，不再是以往的精英主义，只有少部分人纯手工打造等限制生产力的情况，并且效果统一无纰漏。

第二，受限于以前电脑CPU设计与处理方式的限制，很多电脑理论硬件机能足够。但是运算效果和速度始终无法实现质的突破。现在由于图形显卡的崛起。使得显卡可以独立于CPU进行特定超高强度的运算和工作。显卡和 CPU 的区别是显卡能够提供一种多对象的处理方式，比如原先只能提供一个顶点到另一个顶点单线程的运算来讲，现在显卡能够进行有规律的批量的运算，这大大节省了运算的压力与时间。随着拥有数百核心的显卡芯片的开发和应用使得复杂神经网络得以实现，通过显卡的算力可以将需要特别多人力的CG工程制作，例如需要制作CG人物模型，再做复杂的人物表情绑定，再做面部表情捕捉在经过灯光渲染合成等一系列操作才能完成的工作仅通过机器学习来完成，而且仅仅是刚刚入行的普通人就可以配合电脑AI参与进制作流程之中，相比较起来，制作复杂度上是轻了很多。

第三，能够迅速寻找，优化解决镜头的能力。复杂镜头的制作往往需要制作人员多次尝试修改，才能达到相对完美的处理效果，而且這个效果不具有重复性，连贯镜头中，下一个镜头稍微小的调整或修改，前一版中的理想效果就会消失。而利用一个针对某问题而设计的反馈型AI，发挥计算机的高速运算能力，可能很快找到优化解，然后重复这个优解标准答案即可。

五、AI人工智能技术在影视制作中的应用

1.常规技术制作完成还仅仅是能够做到角色替换的可能性，里可以乱真的质量要求还有很大一段距离。以往的技术手段只有很资深的制作经验，并且拥有全流程的制作团队才能够完成。而AI换脸技术已经将技术门槛降低到极低的要求，然而即使这样，普通人同样可以做到几乎乱真的效果。很多视频网站都有过不少民间爱好者制作的视频作品，都有着不错的效果。

2.画面破坏性小，融合度高，台词配音等完全匹配。对于特效制作，尤其是要求真实性的特效制作最希望的就是对真实采样的素材以最大的保护。原始拍摄素材由于种种原因，比如光线、媒介、环境、演员状态等一系列原因以给予观众最大的真实感。而这对特效而言都是挑战，需要考虑到创造真实感的所有因素在成本允许的范围内取舍，才能降低不融合的违和感。而基于人工神经网络的AI技术，就是包含这种性质的技术，就和微创手术一样，定点准确，保留了原始拍摄时的各种条件，这是在制作真实可信的特效效果时的一种优先考虑方案。

3.增加和去除同样有效。传统技术对于遮挡和剔除某些技术穿帮和增加特殊效果是分开对待的。前者去掉钢丝和场景物品属于后期工作。而增加模型和特效就属于三维和后期两部门配合工作。从难度上后者比前者更加麻烦。而对于AI技术来讲，增加和去除都属于差异处理，只要告诉其差异点，它会自动补全或去除异同。类似钢丝，污渍，换标签，增加去除马赛克。这些在传统影视制作中量大耗时和耗精力的镜头，现在都可以尝试用AI方式解决。

六、AI人工智能技术在未来影视中的发展：

简单说一下在特效制作领域的应用，比如可以衍生出文替身或专长替身，类似于传统的武行做得武替身一样，有表演能力的或某方专长的人来演绎，比如表演需要，可以请专业滑冰运动员来表演花滑，之后再换成相应的演员脸部替换。同样的传统武替身也不用刻意挡脸，可以正常表演，之后再换。

其他应用方法，比如可以制作同一演员的年代戏，可以通过替换技术，直接拿历史拍摄资料，替代制作不同时代的人物风貌。

替换劣迹演员，可能一部戏花了大投资，临上线爆出了参演演员的劣迹，以至于所有投资打水漂，现如今可以替换掉问题演员，保证影片可以正常上线。

完全的实景替换，换脸只是AI小规模的试水。毕竟从难度上手机APP也已经可以处理简单视频。未来目标是实现大型场景的全替代。例如现在已经可以模拟自然环境下白天转黑夜的效果，只需要准备一堆黑夜的数据以及对应的一堆白天的数据，很多组这样的图像，就可以利用电脑AI训练出较好效果的黑夜白天转换镜头，实景夜戏拍摄就可以完全放在白天拍摄。

七、结束语

综上所述，可以看到AI人工智能技术不断创新的今天，其在传统影视制作中所能发挥的作用，已经逐渐超越了后期制作的限制，在可以预见的未来，它将会越来越多的影响整个影视行业，甚至是整个影片拍摄的方式和流程都会发生改变。它的价值不仅仅是简单的经济层面，更可能是對未来行业生态的一种改变或冲击。科技在发展，技术在进步。我们与其排斥AI技术革新带来的行业阵痛，不如拥抱技术，拥抱创新，将技术的发展与传统的行业相结合，创造更多的机会与机遇。

参考文献：

[1]《人工神经网络原理及应用》科学出版社2006年3月.

作者简介：

葛雯婷（1986-）女，汉，籍贯：浙江建德，大专，研究方向：AI技术再影视特效中的应用。