影视动漫行业术语

简介: 影视动漫行业术语科普帖。

为了让大家更了解影视动漫行业,在此收集并简单解释影视动漫行业术语,持续收集更新。解释不到位或者不准确的,欢迎评论。


Plate 素材

现场原始拍摄的,未经任何改动的素材。


Previz 预演

通过简单粗糙的动画快速表现镜头运动、人物位置关系等,有点像动态故事版。


Rendering 渲染

3D模型生成照片般逼真的高分辨率图像的计算过程。


Rotoscope 抠像

指定元素从画面中抠出来,用于其他元素等合成。


Simulation 解算

软件通过算法来模拟自然界的水、火、烟、群集等元素的计算过程


Compositing 合成

将最终渲染出的各元素合并在一起创建出最终镜头,是视效制作公司的最后环节。


Green screen 绿幕

也叫做色键,或者蓝幕,用于后期扣像后合成数字环境。


Groom 毛发

数字角色的头发或者毛发。


Look Dev 视觉开发

CG资产数字效果开发和细化。


Maquette 参考道具

视效电影拍摄时为演员提供的虚拟角色参考位置的道具。


Blocking pass

动画制作过程的一个环节,使用粗糙简单的资产用于快速进行关键位置动作的摆放。


66f8361be7bd77988a63e0ed116b0ececc292f41

图1:在绿幕前拍摄演员和道具,最终绿幕会被替换成数字场景。

5813edea5672dfe9340aae3a5b27cc1c9f2c6f70

图2:现场虚拟角色参考道具,给演员一个位置参考,并且给后期制作人员动作参考。

Matchmoving 跟踪匹配

反求摄像机运动,将数字元素匹配到原始序列上。


Maya

Autodesk公司开发的行业标准三维软件。


Nuke

基于节点的合成软件,用于将各元素合成为最终画面。


Performance capture 动作捕捉

使用光捕或者惯性动捕设备,捕捉演员的动作,并驱动数字角色。


Footage 序列

现场拍摄的原始序列,或者渲染生成的图片序列。


TD 技术支持

后期制作公司开发和维护公司内部制作和流程工具的技术人员,或在某环节有丰富经验能够优化制作方案提升制作效率的技术人员。


Pipeline 流程管理

管理上下游制作数据、版本、进度管理、信息同步等。


44623b8e77ff514e9db9ef4efe354b35b4cc3502

图3:面部表情捕捉+动作捕捉

Plate 素材

现场原始拍摄的,未经任何改动的素材。


Previz 预演

通过简单粗糙的动画快速表现镜头运动、人物位置关系等,有点像动态故事版。


Rendering 渲染

从3D模型生成照片般逼真的高分辨率图像的计算过程。


Rotoscope 抠像

将指定元素从画面中抠出来,用于其他元素等合成。


Simulation 解算

软件通过算法来模拟自然界的水、火、烟、群集等元素的计算过程。



目录
相关文章
|
域名解析 存储 Java
一步步教你搭建自己的云服务器
一步步教你搭建自己的云服务器
|
网络协议 安全 Linux
linux配置防火墙 Centos7下 添加 端口白名单
linux配置防火墙 Centos7下 添加 端口白名单
2082 0
|
机器学习/深度学习 人工智能 算法
深度学习入门:理解神经网络与反向传播算法
【9月更文挑战第20天】本文将深入浅出地介绍深度学习中的基石—神经网络,以及背后的魔法—反向传播算法。我们将通过直观的例子和简单的数学公式,带你领略这一技术的魅力。无论你是编程新手,还是有一定基础的开发者,这篇文章都将为你打开深度学习的大门,让你对神经网络的工作原理有一个清晰的认识。
|
机器学习/深度学习 人工智能 算法
【昆虫识别系统】图像识别Python+卷积神经网络算法+人工智能+深度学习+机器学习+TensorFlow+ResNet50
昆虫识别系统,使用Python作为主要开发语言。通过TensorFlow搭建ResNet50卷积神经网络算法(CNN)模型。通过对10种常见的昆虫图片数据集('蜜蜂', '甲虫', '蝴蝶', '蝉', '蜻蜓', '蚱蜢', '蛾', '蝎子', '蜗牛', '蜘蛛')进行训练,得到一个识别精度较高的H5格式模型文件,然后使用Django搭建Web网页端可视化操作界面,实现用户上传一张昆虫图片识别其名称。
850 7
【昆虫识别系统】图像识别Python+卷积神经网络算法+人工智能+深度学习+机器学习+TensorFlow+ResNet50
|
8月前
|
供应链 JavaScript 前端开发
TreeSize:免费的磁盘清理与管理神器,解决C盘爆满的燃眉之急
博客不应该只有代码和解决方案,重点应该在于给出解决方案的同时分享思维模式,只有思维才能可持续地解决问题,只有思维才是真正值得学习和分享的核心要素。如果这篇博客能给您带来一点帮助,麻烦您点个赞支持一下,还可以收藏起来以备不时之需,有疑问和错误欢迎在评论区指出~
|
9月前
|
编解码 算法 数据安全/隐私保护
一维信号的小波变换与重构算法matlab仿真
本程序使用MATLAB2022A实现一维信号的小波变换与重构,对正弦测试信号进行小波分解和重构,并计算重构信号与原信号的误差。核心步骤包括:绘制分解系数图像、上抽取与滤波重构、对比原始与重构信号及误差分析。小波变换通过多分辨率分析捕捉信号的局部特征,适用于非平稳信号处理,在信号去噪、压缩等领域有广泛应用。
|
9月前
|
缓存 Linux
Linux查看内存命令
1. free free命令是最常用的查看内存使用情况的命令。它显示系统的总内存、已使用内存、空闲内存和交换内存的总量。 free -h • -h 选项:以易读的格式(如GB、MB)显示内存大小。 输出示例: total used free shared buff/cache available Mem: 15Gi 4.7Gi 4.1Gi 288Mi 6.6Gi 9.9Gi Swap: 2.0Gi 0B 2.0Gi • to
736 2
|
IDE Java 编译器
07. 【Java教程】Java 集成开发环境 - IntelliJ IDEA
07. 【Java教程】Java 集成开发环境 - IntelliJ IDEA
345 1
|
存储 容灾 API
OpenStack的块存储卷管理附着与分离
【8月更文挑战第27天】
395 2
|
机器学习/深度学习 并行计算 TensorFlow
TensorFlow与GPU加速:提升深度学习性能
【4月更文挑战第17天】本文介绍了TensorFlow如何利用GPU加速深度学习, GPU的并行处理能力适合处理深度学习中的矩阵运算,显著提升性能。TensorFlow通过CUDA和cuDNN库支持GPU,启用GPU只需简单代码。GPU加速能减少训练时间,使训练更大、更复杂的模型成为可能,但也需注意成本、内存限制和编程复杂性。随着技术发展,GPU将继续在深度学习中发挥关键作用,而更高效的硬件解决方案也将备受期待。