《現代電影技術》｜馮賢杰等：超高清沉浸式視頻實時分布式云渲染平臺設計及應用

本文刊發于《現代電影技術》2026年第5期

專家點評

韓 強

正高級工程師

中國電影電視技術學會秘書長

超高清沉浸式視頻的日益興起，推動視聽業態從“觀看”向“在場”的范式升級，其對實時性與算力的極致要求，正倒逼底層技術架構從集中式向分布式演進重構。當前，云邊協同與5G的融合為破解“超高畫質”與“超低時延”的矛盾提供了新路徑，但如何實現算力資源的動態細粒度調度，保障多終端同步呈現的穩定性，仍是產業落地的關鍵瓶頸。尤其在影視虛擬攝制中，異地協同實時渲染不僅需要技術突破，更需重構生產流程的標準化邏輯，這既是技術挑戰，也是產業升級的必然方向。《超高清沉浸式視頻實時分布式云渲染平臺設計及應用》一文緊扣技術趨勢，所提出的“云端算力協同-邊緣節點調度-實時渲染與傳輸優化”一體化架構，創新性地將Studio Bridge調度系統與5G技術深度融合，可實現分布式渲染任務的智能拆分與低時延回傳。相較于傳統方案，其核心優勢在于：一是通過云邊端三級資源動態匹配，解決了高并發場景下的算力閑置與過載并存問題；二是對虛擬直播流程的全鏈路優化，使異地協同制作時延降至產業可用水平。實際應用更驗證其在影視預演、虛擬攝制等場景的降本增效價值，為超高清內容的規模化生產提供了可復制的技術范本。作為應用型研究成果，本文不僅完成了技術建構閉環，更兼顧實際價值落地；既回應了行業共性難題，又通過多技術整合形成差異化創新，對于推動沉浸式媒體從實驗性應用走向產業化落地具有行業示范價值及工程實踐意義。

項目信息

中國傳媒大學中央高校基本科研業務費專項資金資助項目“基于智能體協同的數字人動態交互系統”（CUC25QT10）。

作者簡介

馮賢杰

中國傳媒大學媒體融合與傳播國家重點實驗室博士研究生在讀，主要研究方向：視頻理解、視頻生成、情感分析。

董錦芳

中國傳媒大學媒體融合與傳播國家重點實驗室碩士研究生在讀，主要研究方向：視頻理解、音樂生成。

穆凱輝

博士，中國傳媒大學媒介音視頻教育部重點實驗室助理研究員，主要研究方向：人工智能技術、視頻技術、沉浸式技術。

魯永泉

博士，中國傳媒大學媒體融合與傳播國家重點實驗室研究員，主要研究方向：并行計算、人工智能技術、視頻技術、沉浸式技術。

摘要

為解決影視級超高清視頻如何低時延傳輸和實現高品質電影的異地協同實時制作，本文設計并實現了基于云邊協同架構，融合細粒度分布式渲染與低時延實時傳輸虛擬直播技術的影視制作方案。該方案創新整合了5G技術和Studio Bridge調度系統，將高效的云邊協同架構與虛擬直播流程有機統一，實現了細粒度的分布式渲染與低時延的實時素材傳輸。通過在云端完成有效調度算力資源進行高并發計算、在邊緣側執行快速響應，本方案大幅提升了虛擬直播場景的制作效率，使創作者能夠在短時間內獲得高質量畫面并靈活調整內容。實際應用表明，本文提出的云渲染平臺可為大規模虛擬攝制與多場景內容制作提供技術支撐，助力影視生產的實時化、智能化和降本增效。

關鍵詞

云邊協同；分布式渲染；低時延傳輸；5G網絡

1

引言

超高清沉浸式視頻作為新一代影視與互動媒體的重要發展方向，正以更高分辨率、更廣色域和更強沉浸感推動影像表達方式的深度革新。其制作過程對算力、帶寬與時延的要求遠超傳統視頻生產范式，尤其在虛擬攝制、云渲染及實時交互場景中，如何在保證超高畫質的同時實現多終端的低時延協同，已成為行業亟待突破的技術瓶頸。傳統集中式渲染架構在資源調度與實時響應方面存在顯著局限，難以滿足超高清內容的動態生成與即時傳輸需求[1]。

近年來，隨著云計算、邊緣計算（Edge Computing）和5G通信技術的快速演進，云邊協同的實時分布式渲染體系逐漸成為超高清內容生產的新方向[2]。通過在云端實現高密度算力集群管理，在邊緣側完成任務分發與流媒體加速，系統能夠高效支撐多節點的并行渲染與超低時延的數據回傳。

本文圍繞超高清沉浸式視頻實時分布式云渲染技術與應用展開研究，構建“云端算力協同-邊緣節點調度-實時渲染與傳輸優化”的一體化技術架構，實現高分辨率視頻內容的實時生成、動態分發與多終端同步呈現。研究成果可為影視、游戲、虛擬直播及數字文旅等領域提供高效、靈活的生產方案，為沉浸式媒體內容的規模化應用奠定技術基礎[3]。

2

研究背景

近年來，隨著超高清視頻與沉浸式媒體技術的迅速發展，影視、游戲、虛擬現實（VR）及元宇宙（Metaverse）等領域對超高分辨率、低時延視覺內容需求日益增長[4]。傳統本地渲染架構受限于單機算力與資源瓶頸，已難以滿足超高清視頻內容的實時生成與交互體驗需求。分布式云渲染技術憑借其強大的計算集群、靈活的資源調度機制及可擴展的算力協同能力，正成為支撐超高清沉浸式內容生產與分發的重要基礎。

（1）分布式云渲染任務分配與資源調度方法

分布式云渲染系統通過將復雜的視頻渲染任務拆解為多個子任務，并分配至云端不同計算節點并行處理，以實現高效渲染加速。其核心在于任務劃分策略、資源調度算法及負載均衡機制[5]。現有研究主要聚焦于基于任務特征的動態分配模型與異構計算資源的自適應調度方法。例如，基于有向無環圖的任務劃分算法可有效優化多節點并行渲染的依賴關系，減少通信開銷；基于強化學習的自適應調度模型則能依據任務負載與節點性能動態調整分配策略，從而提升系統整體吞吐率與資源利用率[6]。同時，容器化與虛擬化技術的引入使渲染節點間的資源調度更加靈活，支持按需算力分配，極大提高了系統的可擴展性與經濟性。

（2）低時延高并發的實時傳輸技術

在超高清沉浸式視頻的實時渲染與交互中，低時延傳輸是保障沉浸體驗的關鍵。傳統的視頻流傳輸協議（如HTTP?FLV、RTMP）難以滿足毫秒級響應需求，近年來興起的實時傳輸技術（如WebRTC、SRT）為云渲染結果的低時延回傳提供了新的解決方案[7,8]。通過引入自適應碼率控制、前向糾錯與網絡擁塞預測機制，系統可在復雜網絡環境下實現穩定的高幀率視頻傳輸[9,10]。同時，邊緣計算與內容分發網絡的融合應用有效縮短了傳輸路徑，減少了網絡抖動與延遲，為實時云渲染結果的快速分發提供支撐[11]。

此外，隨著人工智能（AI）驅動的網絡優化技術發展，基于機器學習（ML）的時延預測與動態帶寬分配方法正在成為超高清沉浸式視頻實時傳輸的重要方向。該類方法可根據實時網絡狀態自適應調整傳輸參數，實現端到端的動態優化以保障體驗質量（Quality of Experience, QoE），從而顯著提升用戶沉浸體驗與系統的實時交互性能[12]。

3

超高清沉浸式視頻實時分布式云渲染平臺設計與應用實踐

本研究構建了超高清沉浸式視頻實時分布式云渲染平臺，通過低時延傳輸、云邊協同細粒度分布式云渲染資源調度等技術，實現了渲染任務處理流程的優化[13]；研發的渲染系統支持實時渲染與離線渲染功能，為影視制作、虛擬直播等場景提供了高效的計算支持[14]。

圖1為超高清沉浸式視頻實時分布式云渲染平臺總體架構，主要分為兩個階段：低時延高性能實時傳輸技術和虛擬直播應用系統（“拍攝上云”階段）及云邊協同的細粒度分布式云渲染任務分配方法（“制作上云”階段）。

圖1　超高清沉浸式視頻實時分布式云渲染平臺總體架構

在“拍攝上云”階段，拍攝現場獲取LED/綠幕/動作捕捉畫面，經由網絡設備接口（Network Device Interface, NDI）信號視效盒進行轉碼和圖傳。隨后，采用聯合緩存與傳輸控制的可伸縮傳輸與優化協議（Scalable Transport and Optimization Protocol, STOP）架構，結合低時延擁塞控制（Low?Delay Congestion Control, LDCC）算法，將拍攝畫面通過網絡傳輸至云渲染資源池中等待統一調度與處理。

在“制作上云”階段，制片管理方在虛幻引擎4（Unreal Engine 4, UE4）工作站中調用云邊協同的細粒度分布式云渲染調度算法，把渲染場景拆分為多個子任務，根據分級渲染策略與資源約束條件，將子任務通過5G網絡傳輸至云渲染資源池，并按需分配至合適的服務器進行渲染[15,16]。

完成畫面渲染后，平臺會將內容實時傳輸至用戶直播等多種終端場景。總體而言，平臺通過分幀、分節點的細粒度、分布式渲染策略及分等級渲染機制，實現了高復雜度場景下的高效計算資源調度與任務分配，為多終端場景的沉浸式內容分發提供了技術支撐[17]。

3.1 低時延高性能實時傳輸技術和虛擬直播應用系統

3.1.1 NDI視效盒

NDI是一種實現音視頻信號實時、低延遲傳輸的標準化技術協議，其核心機制是通過NDI編碼技術將影視級質量的音視頻信號封裝為網絡數據包，支持通過標準網絡或無線網絡進行高效傳輸與接收。

基于NDI實時音視頻傳輸協議，本文的云渲染平臺構建了Studio Bridge云端調度系統（圖2），實現了多源音視頻信號在云端的統一調度。通過Studio Bridge Box視效盒（圖2以Box標識）對SDI等專業視頻信號進行實時NDI化并上傳云端，系統支持多源信號的同步轉發、分組管理以及參與云端實時合成與渲染制作。當前主流影視后期與實時渲染軟件均支持NDI信號輸入，確保了云端制作的軟件兼容性與系統集成性[18]。

圖2　Studio Bridge云端調度系統

該系統通過標準化協議與分布式架構，實現了傳統設備與云端平臺的無縫銜接，為現場信號源的動態調度與實時同步監看提供了技術保障。

3.1.2 聯合緩存和傳輸控制的STOP架構

圖3展示了本研究提出的STOP架構，該協議旨在解決應用層截止時間感知等關鍵問題[19]。

圖3　STOP架構

STOP架構由6個核心模塊組成，各模塊協同工作以實現高效、可靠的傳輸控制：

（1）報文頭修改模塊：該模塊支持多協議兼容性，其核心功能是將數據的時效性要求（如截止期限信息）嵌入報文頭，使網絡傳輸實體能夠感知數據的優先級與時間敏感性。

（2）窗口與緩沖區大小控制模塊：基于課程式強化學習智能體的決策指令，該模塊動態調整發送緩沖區容量與擁塞窗口，以優化傳輸性能。

（3）估計模塊：該模塊通過預測發送端至接收端的單向擁塞延遲，為傳輸調度提供關鍵的時序信息支持。

（4）時間同步模塊：通過確保發送端與接收端的時間同步，該模塊為延遲計算與截止期限約束的滿足提供時間基準。

（5）判斷模塊：該模塊通過預判數據包是否能在截止期限內到達接收端，主動丟棄無法滿足時效性要求的數據包，防止帶寬資源浪費。

（6）課程式強化學習智能體模塊：作為核心控制單元，該模塊可實現動態策略更新并決定發送緩沖區與擁塞窗口的控制策略，以適應網絡狀態的動態變化。

在發送端，數據流起始于應用層發出的數據，經報文頭修改模塊進行協議頭封裝或調整后，進入數據隊列進行排隊。核心控制邏輯由窗口與緩沖區大小控制模塊執行，該模塊根據課程式強化學習智能體模塊決策動態調整發送緩沖區容量，最終將數據釋放至網絡層進行傳輸。

在傳輸過程中，STOP架構的控制信息流驅動傳輸性能的動態優化。網絡層提供的狀態信息（如網絡延遲、丟包率等）首先被估計模塊進行參數分析，估計結果反饋至課程式強化學習智能體模塊以更新策略并制定決策，同時傳遞至判斷模塊指導窗口與緩沖區控制策略的調整。此外，時間同步模塊通過與網絡層和應用層的交互，實現時序校準，確保數據傳輸的實時性與一致性。

在接收端，數據流經網絡層后進入接收緩沖區進行緩存，隨后通過報文頭修改模塊進行解封裝與校驗，最終遞交給應用層使用。時間同步模塊在此端同樣發揮關鍵作用，通過傳遞同步信息實現網絡層與應用層的協同。此外，應用層的信息流反饋至報文頭修改模塊，以根據應用狀態或需求對接收數據進行動態處理[20]。

上述閉環、自適應的優化機制使STOP架構通過標準化協議設計與動態策略優化，有效降低了端到端傳輸時延，顯著提升了分布式云計算環境中多客戶端渲染任務的交互流暢性與用戶感知質量。

3.1.3 LDCC算法

為解決網絡傳輸時延偏高、缺乏對實時應用截止與緩存排隊時間的處理等問題，本研究在源端部署了基于隊列長度預測的LDCC算法。圖4示意了LDCC算法的核心工作流程。

圖4　LDCC算法示意圖

LDCC算法旨在實時更新網絡傳輸特征并進行隊列長度預測。首先，算法采用被動探測的方法對當前網絡帶寬進行準確估算。隨后，利用數學模型對瓶頸鏈路的理論隊列長度進行建模計算。LDCC算法將獲得的關鍵網絡參數引入一個基于學習的神經網絡模型中，該網絡模型以建模的隊列長度、測量的網絡帶寬以及其他網絡傳輸特征作為輸入，預測出實際隊列長度。最后，LDCC算法利用預測出的實時隊列長度信息，動態調整當前的擁塞窗口大小，從而將隊列延遲維持在最低水平，有效控制了傳輸時延。這一預測和調整機制實現了對瓶頸隊列狀態的主動干預，而該主動干預機制的有效性，依賴于對當前網絡帶寬的準確量化與評估。

式（1）描述了LDCC算法中用于被動探測和估計網絡帶寬Ct 的核心過程。該過程主要通過測量連續發送的數據包對（Packet?Pair）在接收端的到達時間間隔來實現，是計算帶寬時延積（BDP）相關參數的方法之一。該過程的主要規則包括瞬時帶寬的計算以及瓶頸帶寬的更新兩個步驟，具體如下：

（1）瞬時帶寬的計算與原理

（2）網絡帶寬Ct 的更新策略

在這一基于數據包對的帶寬測量算法中，采用max函數進行保守上限估計的策略具有特定的優勢。其核心在于，假設在網絡容量相對穩定的情況下，將任何新獲得的、更高的瞬時帶寬測量值視為對實際網絡容量更準確的估計，能夠有效防止帶寬估計值被不當地低估。

基于上述對網絡帶寬的精準估計以及對隊列長度q(t)的實時預測，LDCC算法得以實現其關鍵性能——擁塞窗口的動態調整設計。該設計以擁塞信號q(t)為核心，并將隊列參考值Q定義為一條帶寬時延積（BDP），即Q=1×BDP。在實施擁塞窗口調整前，LDCC算法會對原始擁塞信號q(t)進行平滑處理，以消除一些噪聲和波動，確保控制決策的穩定性和魯棒性。算法在擁塞窗口調整周期內采用不對稱的調整策略，根據網絡狀態的差異，每一輪窗口加一或減窗，具體的減窗幅度由核心函數f(α)決定。

圖5　核心函數f(α)詳情

核心函數f(α)旨在將規范化后的擁塞信號α映射為擁塞窗口的減窗因子。其中，輸入的α∈[0,1]表示平滑后的隊列長度q(t)相對于隊列參考值Q的堆積程度。如圖5所示，相較于其他α、α、α2函數，LDCC算法采用的f(α)是一個高度非線性的函數，其關鍵特性是表現出對擁塞信號的極高敏感度。該函數被設計為閾值觸發式的策略：一旦α值超過一個預設的極小擁塞閾值αth，減窗因子f(α)即刻從0陡峭地上升并飽和到最大值1。通過在擁塞發生時快速執行最大幅度減窗，f(α)有效地防止了瓶頸隊列的持續堆積，將排隊延遲嚴格控制在最低水平，這是LDCC算法的關鍵所在。

綜上所述，LDCC算法有效地克服了傳統擁塞控制機制對延遲變化的滯后性，實現了在最大化吞吐量的同時，將隊列延遲控制在較低水平，在用戶可接受的時間內快速送達結果，避免卡頓和延遲。

3.2 云邊協同的細粒度分布式云渲染任務分配方法和資源調度技術

3.2.1 基于云邊協同的細粒度分布式云渲染任務分配算法

針對分布式云計算環境下多客戶端渲染任務分配以及滿足多用戶QoE要求的挑戰，我們提出了一種基于云邊協同的細粒度分布式云渲染任務分配算法[21,22]。該算法旨在兼顧系統容量的約束下，平衡渲染質量、渲染速度與帶寬資源需求，實現渲染任務的精準分配。

渲染任務分配算法的核心問題在于如何確定渲染等級，以實現資源的動態分配[23,24]。我們的創新點在于引入了渲染分級策略：渲染任務分配算法能夠根據物體的視覺重要性、距離等因素，將場景中的對象劃分為不同等級（任務優先級），動態分配渲染資源，在保證視覺效果的前提下減少計算開銷。

表1展示了渲染任務分配算法如何通過優化圖形處理器（GPU）計算和內存資源的分配，以分等級策略實現高效實時渲染。

表1　分級對應渲染策略示例

為在系統資源受限的條件下最大化整體渲染效用，本文將任務調度問題建模為一個混合整數二次約束優化問題。優化目標是在綜合考慮任務權重與渲染質量的前提下，通過合理選擇任務的渲染等級以及任務在各節點之間的分配方式，使系統獲得最大的總體渲染收益。在優化過程中，需同時滿足QoE約束、系統容量約束以及客戶端資源約束。

首先，為保證用戶體驗，每一客戶端任務的端到端時延不得超過系統最大時延閾值。該時延由任務在節點上的計算處理時延、數據在網絡中的傳輸時延以及與節點選擇相關的額外開銷共同構成。其次，從系統整體角度出發，每個計算節點所承載的總渲染負載不得超過其可用資源上限，以避免節點過載，從而影響系統的穩定性與服務質量。該約束通過限制分配至各節點的任務渲染需求總量來實現。最后，從客戶端側資源可控性的角度考慮，客戶端與各節點間的鏈路資源有限，因此客戶端所分配到各節點的任務渲染負載同樣受到帶寬資源的限制，確保客戶端側的資源消耗可控。

通過將復雜的任務調度問題轉化為一個具有單約束的混合整數二次約束二次規劃問題進行快速求解，我們能夠確定最優的渲染等級和分配決策，從而有效解決分布式云渲染環境下的任務分配難題。

3.2.2 5G實時渲染云平臺

如圖6所示，制片管理方在調用渲染任務分配算法的同時，依托5G實時渲染云平臺實現分布式渲染任務的調度與執行。該平臺通過5G網絡與云渲染資源池建立通信連接，確保渲染任務的實時性與數據同步性[25]。為保障數據傳輸的安全性，外部數據在進入防火墻后被分流至兩條獨立的安全處理路徑：其一，經由入侵防御系統（Intrusion Prevention System, IPS）進行深度流量檢測與惡意行為攔截；其二，通過堡壘機（Barricade Machine）實現不同安全域間的網絡物理隔離與受控數據交換。

圖6　5G實時渲染云平臺核心工作流程

經安全驗證的數據流隨后被導向核心交換機，并進一步分發至管理設備區、存儲區及各類接入交換機。存儲接入交換機、業務接入交換機與運維接入交換機的流量都匯聚至高性能GPU渲染集群，以完成后續的實時渲染任務。

平臺采用私有化的低延遲高清傳輸（Low?Latency High?Definition Transmission）協議及會議級通信協議，以保障超低時延傳輸與數據穩定性。在多機位（尤其10路以上高清信號）場景中，例如真人線下虛擬競技，平臺采用5G超級上行組網方案，通過上下行通道的時分雙工（Time Division Duplex, TDD）與頻分雙工（Frequency Division Duplex, FDD）協同機制，實現高頻段與低頻段的互補利用[26]。通過時域與頻域的聚合策略，充分發揮3.5 GHz頻段的大帶寬優勢及FDD頻段低穿透損耗的特性，從而在提升帶寬的同時優化網絡覆蓋能力，確保高清視頻流的穩定上傳[27]。

5G實時渲染工作站基于獨享式高性能GPU云桌面架構構建，終端側通過5G網絡與服務器端建立通信連接。服務器端接收渲染任務后，經實時渲染平臺調度并執行，同時配備大容量云存儲空間以支持遠程制作協同[28]。平臺默認配置中高級安全策略基線，可根據實際需求進行定制化調整。用戶可通過終端瀏覽器直接訪問實時渲染工作站，或通過服務器/客戶機（C/S）進行交互操作。

該架構通過多層次的網絡分層設計、安全機制與傳輸優化策略，為大規模實時渲染任務提供了高效、安全且可擴展的計算平臺，為沉浸式內容生產與分發提供了技術支撐。

3.3 平臺應用實踐

本研究提出的超高清沉浸式視頻分布式云渲染平臺自2021年3月起已正式落地應用于“藍海創意云”渲染平臺，該平臺在處理超大規模三維場景融合、16 bit位深圖像及4K分辨率畫面渲染時具備良好的穩定性與高效性[29]。平臺系統構建了基于混合整數二次約束二次規劃的云邊協同細粒度算力調度機制，根據視距和細節復雜度對渲染對象進行動態分級，同時，整合了STOP架構及LDCC算法，利用強化學習動態調節擁塞窗口，并在網絡傳輸層提前篩除無法在截止期限內到達的無效數據包，從機理上保障了公網帶寬的高效利用[30]。上述技術矩陣不僅實現了在超高清廣播級信號傳輸中視覺無損的高保真畫質，也壓縮了端到端時延，帶來了強實時交互體驗。

在項目落地方面，該平臺已實現大規模商業化生產應用。平臺深度參與了《哪吒之魔童鬧海》《封神第二部：戰火西岐》《流浪地球2》等國產電影項目的視效渲染與虛擬攝制，在復雜影視生產環境下充分驗證了該技術的應用效能與工業化成熟度。云渲染平臺為虛擬演播與超高清內容產業提供了堅實的技術支撐，其技術成果也獲得了行業的廣泛認可。該技術于2025年9月榮獲中國電影電視技術學會科技進步獎一等獎，充分體現了其在超高清沉浸式視頻云邊協同全產業鏈中的行業示范效應與推廣價值。

4

結語

本研究圍繞超高清沉浸式視頻實時云渲染的關鍵需求，針對高算力消耗與低時延傳輸間的矛盾，提出了“云端算力協同-邊緣節點調度-實時渲染與傳輸優化”的整體技術框架。研究結果表明，該框架在保證視頻畫質與沉浸體驗的前提下，顯著降低了端到端傳輸時延，并提升了資源利用效率。這說明通過云邊協同與算法級優化，可有效緩解實時渲染系統中“算力-帶寬-時延”的多重約束問題，為影視制作、虛擬現實及專業可視化等領域提供穩定技術支撐。本研究不僅有助于降低影視工業化生產成本，還為分布式渲染系統的工程化落地提供了參考范式。未來，隨著5G/6G網絡的發展，實時云渲染將向更低時延與更高智能發展演進，可重點探索基于AI的輕量化渲染算法與計算資源的動態優化配置。同時，多技術融合有望推動沉浸式交互模式革新，進一步拓展全感官體驗與智能協同制作的新應用場景。

參考文獻

（向下滑動閱讀）

[1] GONG W, YAN J, NAN X, et al. Joint optimization of routing and VM resource allocation for multimedia cloud[J]. Multimedia Systems, 2019, 25(4): 355?369.

[2] DING C, ZHOU A, LIU Y, et al. A cloud?edge collaboration framework for cognitive service[J]. IEEE Transactions on Cloud Computing, 2022, 10(3): 1489?1499.

[3] 夏元清, 王晁, 高潤澤, 等. 云網邊端協同云控制研究進展及挑戰[J]. 信息與控制, 2024, 53(3): 273?286.

[4] YE Y, HE Y, XIU X. Manipulating ultra?high definition video traffic[J]. IEEE Multimedia, 2015, 22(3): 73?81.

[5] ZHANG Y, ZHANG W, PU L, et al. To distill or not to distill: toward fast, accurate, and communication?efficient federated distillation learning[J]. IEEE Internet of Things Journal, 2024, 11(6): 10040?10053.

[6] KAELBLING L P, LITTMAN M L, MOORE A W. Reinforcement learning: a survey[J]. Journal of Artificial Intelligence Research, 1996, 4: 237?285.

[7] SREDOJEV B, SAMARDZIJA D, POSARAC D. WebRTC technology overview and signaling solution design and implementation[C]//2015 38th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO), 2015: 1006?1009.

[8] ALOMAN A, ISPAS A I, CIOTIRNAE P, et al. Performance evaluation of video streaming using MPEG DASH, RTSP, and RTMP in mobile networks[C]//2015 8th IFIP Wireless and Mobile Networking Conference (WMNC), 2015: 144?151.

[9] SUI L, FU J, YANG X. Forward error correction[C]//2012 Fourth International Conference on Computational and Information Sciences, 2012: 37?40.

[10] SANI Y, MAUTHE A, EDWARDS C. Adaptive bitrate selection: a survey[J]. IEEE Communications Surveys and Tutorials, 2017, 19(4): 2985?3014.

[11] DOMEKE A, CIMOLI B, MONROY I T. Integration of network slicing and machine learning into edge networks for low?latency services in 5G and beyond systems[J]. Applied Sciences, 2022, 12(13): 6617.

[12] ZHANG Y, PU L, LIN T, et al. QoE?oriented mobile virtual reality game in distributed edge networks[J]. IEEE Transactions on Multimedia, 2023, 25: 9132?9146.

[13] 許婭男, 趙桂丹, 馮大權, 等. 邊云協同驅動的沉浸式Web3D[J]. 電信科學, 2024, 40(9): 123?135.

[14] HARRIS M J, LASTRA A. Real?time cloud rendering[J]. Computer Graphics Forum, 2001, 20(3): 76?85.

[15] 楊春輝, 孫鵬, 程凱. 基于5G技術的動車組車載數據傳輸及監控系統研究[J]. 鐵路計算機應用, 2021, 30(5): 23?25, 36.

[16] TANG X, XU Y, OUYANG F, et al. A cloud?edge collaborative gaming framework using AI?powered foveated rendering and super resolution[J]. International Journal on Semantic Web and Information Systems (IJSWIS),2023,19(1): 1?19.

[17] STENGEL M, MAJERCIK Z, BOUDAOUD B, et al. A distributed, decoupled system for losslessly streaming dynamic light probes to thin clients[C]//Proceedings of the 12th ACM Multimedia Systems Conference, 2021: 159?172.

[18] HU Y, GONG R, SUN Q, et al. Low latency point cloud rendering with learned splatting[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2024: 5752?5761.

[19] LIAO R, ZHANG Y, YAN J, et al. STOP: joint send buffer and transmission control for user?perceived deadline guarantee via curriculum guided?deep reinforcement learning[J]. Journal of Network and Computer Applications, 2024, 221: 103787.

[20] 徐文莉. 分布式渲染調度策略優化研究與實現[J]. 軟件導刊, 2010, 9(2): 10?12.

[21] LI L, HUANG Y, QIAO X, et al. Toward distributed collaborative rendering service for immersive mobile web[J]. IEEE Network, 2024, 38(3): 137?145.

[22] 楊艷芳,高居建,王奇,等.面向復雜生產場景的數字孿生模型分布式渲染方法[J].計算機集成制造系統,2023,29(06):1811?1823.

[23] 徐翔, 吳小龍, 陳子凌, 等. 大規模三維場景光線追蹤渲染方法綜述[J]. 計算機輔助設計與圖形學學報, 2024, 36(8): 1155?1170.

[24] ZHANG W, JING Y, ZHANG Y, et al. Retina?U: a two?level real?time analytics framework for UHD live video streaming[J]. IEEE Transactions on Broadcasting, 2024, 70(2): 429?440.

[25] 張林, 黃靜, 全偉, 等. 5G+AI云渲染技術在外場轉播中的探索應用[J]. 現代電視技術, 2024(7): 44?48.

[26] POVEY G J R, NAKAGAWA M. A review of time division duplex?CDMA techniques[C]//1998 IEEE 5th International Symposium on Spread Spectrum Techniques and Applications - Proceedings. Spread Technology to Africa (Cat. No.98TH8333): Vol. 2, 1998: 630?633.

[27] PHAN-HUY D T, BEN HALIMA S, HELARD M. Frequency division duplex time reversal[C]//2011 IEEE Global Telecommunications Conference - GLOBECOM 2011, 2011: 1?5.

[28] KIM Y, CHOI Y, LEE Y C, et al. E?render: enabling UHD?quality cloud gaming through edge rendering[J]. IEEE Access, 2022, 10: 72107?72119.

[29] KE Y, YANG Y, MA X Y, et al. Research on Cloud Compression Codec Technology for Remote Production[J]. International Journal of Digital Multimedia Broadcasting, 2025, 2025: 5589525.

[30] CHEN Y, YAN J, CAI Y, et al. Low Delay Congestion Control for the Internet[C]//2025 IEEE/ACM 33rd International Symposium on Quality of Service (IWQoS), Gold Coast, Australia, 2025: 1-10.

特別報道 | 2026年電影科技發展創新座談會在無錫成功舉辦

期刊導讀 |《現代電影技術》2026年第5期

王嵐君等：面向影視創作的AIGC可控生成與溯源技術進展研究