据国外媒体报道,皮克斯动画工作室(Pixar)创始人约翰·雷斯特(John Lasseter)日前在电影艺术与科学学院(Academy of Motion Picture Arts and Sciences)演讲时表示,未来获奖的电影中会有不少作品是由iPhone或GoPro等便携式摄影设备完成的,电影产业会迎来一个新的纪元。
“一些人可能会说,‘那不可能的。’但事实是,(这些便携式摄影设备)确实可以做到。”雷斯特表示,“他们之所以认为不可能,主要是因为这些设备本身的设计初衷并非是用于电影拍摄目的。”
在谈论颠覆性电影技术方面,雷斯特算得上权威人士。作为《玩具总动员》的导演,雷斯特很好地诠释了电脑动画电影的价值。
事实上,雷斯特的“预言”从某种角度看其实已经被实现。在今年圣丹斯电影节上,有一部名为《Tangerine》的电影就几乎完全是通过一部iPhone 5s拍摄的;而几年前,《老男孩》电影导演朴赞郁就曾只用一部iPhone 4制作了一部短电影;至于GoPro,该公司甚至已经开始经营一个在线视频频道,里面的短电影内容则完全由GoPro设备拍摄。当然,这些电影还称不上“获奖级别”的大作,不过从技术上却已经证明了能成为未来电影拍摄工具的可能。
除了预言用iPhone或GoPro拍摄的视频将能够获得电影制作奖项外,雷斯特更指出便携式摄影设备还能给电影风格注入新的活力。
“(iPhone和GoPro)能给电影注入一种我们此前从未有过的活力……我认为一种新的电影流派会伴随着这些新事物一同出现。” 雷斯特表示。
“活力”在这里指的是通过便携式设备拍摄出的电影的风格和个性。尤其以GoPro产品为例,此类拍摄风格能明显强化要传达的第一人称视角意图。
雷斯特最后指出,虽然人们普遍认为在现有电影技术下接受和推广这些新拍摄工具是非必要的,或者不可能的,但在现实中,新工具已被广泛讨论和使用。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。