本文刊发于《现代电影技术》2026年第5期
专家点评
韩 强
正高级工程师
中国电影电视技术学会秘书长
超高清沉浸式视频的日益兴起，推动视听业态从“观看”向“在场”的范式升级，其对实时性与算力的极致要求，正倒逼底层技术架构从集中式向分布式演进重构。当前，云边协同与5G的融合为破解“超高画质”与“超低时延”的矛盾提供了新路径，但如何实现算力资源的动态细粒度调度，保障多终端同步呈现的稳定性，仍是产业落地的关键瓶颈。尤其在影视虚拟摄制中，异地协同实时渲染不仅需要技术突破，更需重构生产流程的标准化逻辑，这既是技术挑战，也是产业升级的必然方向。《超高清沉浸式视频实时分布式云渲染平台设计及应用》一文紧扣技术趋势，所提出的“云端算力协同-边缘节点调度-实时渲染与传输优化”一体化架构，创新性地将Studio Bridge调度系统与5G技术深度融合，可实现分布式渲染任务的智能拆分与低时延回传。相较于传统方案，其核心优势在于：一是通过云边端三级资源动态匹配，解决了高并发场景下的算力闲置与过载并存问题；二是对虚拟直播流程的全链路优化，使异地协同制作时延降至产业可用水平。实际应用更验证其在影视预演、虚拟摄制等场景的降本增效价值，为超高清内容的规模化生产提供了可复制的技术范本。作为应用型研究成果，本文不仅完成了技术建构闭环，更兼顾实际价值落地；既回应了行业共性难题，又通过多技术整合形成差异化创新，对于推动沉浸式媒体从实验性应用走向产业化落地具有行业示范价值及工程实践意义。
项目信息
中国传媒大学中央高校基本科研业务费专项资金资助项目“基于智能体协同的数字人动态交互系统”（CUC25QT10）。
作者简介
中国传媒大学媒体融合与传播国家重点实验室博士研究生在读，主要研究方向：视频理解、视频生成、情感分析。
董锦芳
中国传媒大学媒体融合与传播国家重点实验室硕士研究生在读，主要研究方向：视频理解、音乐生成。
穆凯辉
博士，中国传媒大学媒介音视频教育部重点实验室助理研究员，主要研究方向：人工智能技术、视频技术、沉浸式技术。
鲁永泉
博士，中国传媒大学媒体融合与传播国家重点实验室研究员，主要研究方向：并行计算、人工智能技术、视频技术、沉浸式技术。
摘要
为解决影视级超高清视频如何低时延传输和实现高品质电影的异地协同实时制作，本文设计并实现了基于云边协同架构，融合细粒度分布式渲染与低时延实时传输虚拟直播技术的影视制作方案。该方案创新整合了5G技术和Studio Bridge调度系统，将高效的云边协同架构与虚拟直播流程有机统一，实现了细粒度的分布式渲染与低时延的实时素材传输。通过在云端完成有效调度算力资源进行高并发计算、在边缘侧执行快速响应，本方案大幅提升了虚拟直播场景的制作效率，使创作者能够在短时间内获得高质量画面并灵活调整内容。实际应用表明，本文提出的云渲染平台可为大规模虚拟摄制与多场景内容制作提供技术支撑，助力影视生产的实时化、智能化和降本增效。
关键词
云边协同；分布式渲染；低时延传输；5G网络
1
引言
超高清沉浸式视频作为新一代影视与互动媒体的重要发展方向，正以更高分辨率、更广色域和更强沉浸感推动影像表达方式的深度革新。其制作过程对算力、带宽与时延的要求远超传统视频生产范式，尤其在虚拟摄制、云渲染及实时交互场景中，如何在保证超高画质的同时实现多终端的低时延协同，已成为行业亟待突破的技术瓶颈。传统集中式渲染架构在资源调度与实时响应方面存在显著局限，难以满足超高清内容的动态生成与即时传输需求[1]。
近年来，随着云计算、边缘计算（Edge Computing）和5G通信技术的快速演进，云边协同的实时分布式渲染体系逐渐成为超高清内容生产的新方向[2]。通过在云端实现高密度算力集群管理，在边缘侧完成任务分发与流媒体加速，系统能够高效支撑多节点的并行渲染与超低时延的数据回传。
本文围绕超高清沉浸式视频实时分布式云渲染技术与应用展开研究，构建“云端算力协同-边缘节点调度-实时渲染与传输优化”的一体化技术架构，实现高分辨率视频内容的实时生成、动态分发与多终端同步呈现。研究成果可为影视、游戏、虚拟直播及数字文旅等领域提供高效、灵活的生产方案，为沉浸式媒体内容的规模化应用奠定技术基础[3]。
2
研究背景
近年来，随着超高清视频与沉浸式媒体技术的迅速发展，影视、游戏、虚拟现实（VR）及元宇宙（Metaverse）等领域对超高分辨率、低时延视觉内容需求日益增长[4]。传统本地渲染架构受限于单机算力与资源瓶颈，已难以满足超高清视频内容的实时生成与交互体验需求。分布式云渲染技术凭借其强大的计算集群、灵活的资源调度机制及可扩展的算力协同能力，正成为支撑超高清沉浸式内容生产与分发的重要基础。
（1）分布式云渲染任务分配与资源调度方法
分布式云渲染系统通过将复杂的视频渲染任务拆解为多个子任务，并分配至云端不同计算节点并行处理，以实现高效渲染加速。其核心在于任务划分策略、资源调度算法及负载均衡机制[5]。现有研究主要聚焦于基于任务特征的动态分配模型与异构计算资源的自适应调度方法。例如，基于有向无环图的任务划分算法可有效优化多节点并行渲染的依赖关系，减少通信开销；基于强化学习的自适应调度模型则能依据任务负载与节点性能动态调整分配策略，从而提升系统整体吞吐率与资源利用率[6]。同时，容器化与虚拟化技术的引入使渲染节点间的资源调度更加灵活，支持按需算力分配，极大提高了系统的可扩展性与经济性。
（2）低时延高并发的实时传输技术
在超高清沉浸式视频的实时渲染与交互中，低时延传输是保障沉浸体验的关键。传统的视频流传输协议（如HTTP⁃FLV、RTMP）难以满足毫秒级响应需求，近年来兴起的实时传输技术（如WebRTC、SRT）为云渲染结果的低时延回传提供了新的解决方案[7,8]。通过引入自适应码率控制、前向纠错与网络拥塞预测机制，系统可在复杂网络环境下实现稳定的高帧率视频传输[9,10]。同时，边缘计算与内容分发网络的融合应用有效缩短了传输路径，减少了网络抖动与延迟，为实时云渲染结果的快速分发提供支撑[11]。
此外，随着人工智能（AI）驱动的网络优化技术发展，基于机器学习（ML）的时延预测与动态带宽分配方法正在成为超高清沉浸式视频实时传输的重要方向。该类方法可根据实时网络状态自适应调整传输参数，实现端到端的动态优化以保障体验质量（Quality of Experience, QoE），从而显著提升用户沉浸体验与系统的实时交互性能[12]。
3
超高清沉浸式视频实时分布式云渲染平台设计与应用实践
本研究构建了超高清沉浸式视频实时分布式云渲染平台，通过低时延传输、云边协同细粒度分布式云渲染资源调度等技术，实现了渲染任务处理流程的优化[13]；研发的渲染系统支持实时渲染与离线渲染功能，为影视制作、虚拟直播等场景提供了高效的计算支持[14]。
图1为超高清沉浸式视频实时分布式云渲染平台总体架构，主要分为两个阶段：低时延高性能实时传输技术和虚拟直播应用系统（“拍摄上云”阶段）及云边协同的细粒度分布式云渲染任务分配方法（“制作上云”阶段）。
图1 超高清沉浸式视频实时分布式云渲染平台总体架构
在“拍摄上云”阶段，拍摄现场获取LED/绿幕/动作捕捉画面，经由网络设备接口（Network Device Interface, NDI）信号视效盒进行转码和图传。随后，采用联合缓存与传输控制的可伸缩传输与优化协议（Scalable Transport and Optimization Protocol, STOP）架构，结合低时延拥塞控制（Low⁃Delay Congestion Control, LDCC）算法，将拍摄画面通过网络传输至云渲染资源池中等待统一调度与处理。
在“制作上云”阶段，制片管理方在虚幻引擎4（Unreal Engine 4, UE4）工作站中调用云边协同的细粒度分布式云渲染调度算法，把渲染场景拆分为多个子任务，根据分级渲染策略与资源约束条件，将子任务通过5G网络传输至云渲染资源池，并按需分配至合适的服务器进行渲染[15,16]。
完成画面渲染后，平台会将内容实时传输至用户直播等多种终端场景。总体而言，平台通过分帧、分节点的细粒度、分布式渲染策略及分等级渲染机制，实现了高复杂度场景下的高效计算资源调度与任务分配，为多终端场景的沉浸式内容分发提供了技术支撑[17]。
3.1 低时延高性能实时传输技术和虚拟直播应用系统
3.1.1 NDI视效盒
NDI是一种实现音视频信号实时、低延迟传输的标准化技术协议，其核心机制是通过NDI编码技术将影视级质量的音视频信号封装为网络数据包，支持通过标准网络或无线网络进行高效传输与接收。
基于NDI实时音视频传输协议，本文的云渲染平台构建了Studio Bridge云端调度系统（图2），实现了多源音视频信号在云端的统一调度。通过Studio Bridge Box视效盒（图2以Box标识）对SDI等专业视频信号进行实时NDI化并上传云端，系统支持多源信号的同步转发、分组管理以及参与云端实时合成与渲染制作。当前主流影视后期与实时渲染软件均支持NDI信号输入，确保了云端制作的软件兼容性与系统集成性[18]。
图2 Studio Bridge云端调度系统
该系统通过标准化协议与分布式架构，实现了传统设备与云端平台的无缝衔接，为现场信号源的动态调度与实时同步监看提供了技术保障。
3.1.2 联合缓存和传输控制的STOP架构
图3展示了本研究提出的STOP架构，该协议旨在解决应用层截止时间感知等关键问题[19]。
图3 STOP架构
STOP架构由6个核心模块组成，各模块协同工作以实现高效、可靠的传输控制：
（1）报文头修改模块：该模块支持多协议兼容性，其核心功能是将数据的时效性要求（如截止期限信息）嵌入报文头，使网络传输实体能够感知数据的优先级与时间敏感性。
（2）窗口与缓冲区大小控制模块：基于课程式强化学习智能体的决策指令，该模块动态调整发送缓冲区容量与拥塞窗口，以优化传输性能。
（3）估计模块：该模块通过预测发送端至接收端的单向拥塞延迟，为传输调度提供关键的时序信息支持。
（4）时间同步模块：通过确保发送端与接收端的时间同步，该模块为延迟计算与截止期限约束的满足提供时间基准。
（5）判断模块：该模块通过预判数据包是否能在截止期限内到达接收端，主动丢弃无法满足时效性要求的数据包，防止带宽资源浪费。
（6）课程式强化学习智能体模块：作为核心控制单元，该模块可实现动态策略更新并决定发送缓冲区与拥塞窗口的控制策略，以适应网络状态的动态变化。
在发送端，数据流起始于应用层发出的数据，经报文头修改模块进行协议头封装或调整后，进入数据队列进行排队。核心控制逻辑由窗口与缓冲区大小控制模块执行，该模块根据课程式强化学习智能体模块决策动态调整发送缓冲区容量，最终将数据释放至网络层进行传输。
在传输过程中，STOP架构的控制信息流驱动传输性能的动态优化。网络层提供的状态信息（如网络延迟、丢包率等）首先被估计模块进行参数分析，估计结果反馈至课程式强化学习智能体模块以更新策略并制定决策，同时传递至判断模块指导窗口与缓冲区控制策略的调整。此外，时间同步模块通过与网络层和应用层的交互，实现时序校准，确保数据传输的实时性与一致性。
在接收端，数据流经网络层后进入接收缓冲区进行缓存，随后通过报文头修改模块进行解封装与校验，最终递交给应用层使用。时间同步模块在此端同样发挥关键作用，通过传递同步信息实现网络层与应用层的协同。此外，应用层的信息流反馈至报文头修改模块，以根据应用状态或需求对接收数据进行动态处理[20]。
上述闭环、自适应的优化机制使STOP架构通过标准化协议设计与动态策略优化，有效降低了端到端传输时延，显著提升了分布式云计算环境中多客户端渲染任务的交互流畅性与用户感知质量。
3.1.3 LDCC算法
为解决网络传输时延偏高、缺乏对实时应用截止与缓存排队时间的处理等问题，本研究在源端部署了基于队列长度预测的LDCC算法。图4示意了LDCC算法的核心工作流程。
图4 LDCC算法示意图
LDCC算法旨在实时更新网络传输特征并进行队列长度预测。首先，算法采用被动探测的方法对当前网络带宽进行准确估算。随后，利用数学模型对瓶颈链路的理论队列长度进行建模计算。LDCC算法将获得的关键网络参数引入一个基于学习的神经网络模型中，该网络模型以建模的队列长度、测量的网络带宽以及其他网络传输特征作为输入，预测出实际队列长度。最后，LDCC算法利用预测出的实时队列长度信息，动态调整当前的拥塞窗口大小，从而将队列延迟维持在最低水平，有效控制了传输时延。这一预测和调整机制实现了对瓶颈队列状态的主动干预，而该主动干预机制的有效性，依赖于对当前网络带宽的准确量化与评估。
式（1）描述了LDCC算法中用于被动探测和估计网络带宽Ct 的核心过程。该过程主要通过测量连续发送的数据包对（Packet⁃Pair）在接收端的到达时间间隔来实现，是计算带宽时延积（BDP）相关参数的方法之一。该过程的主要规则包括瞬时带宽的计算以及瓶颈带宽的更新两个步骤，具体如下：
（1）瞬时带宽的计算与原理
（2）网络带宽Ct 的更新策略
在这一基于数据包对的带宽测量算法中，采用max函数进行保守上限估计的策略具有特定的优势。其核心在于，假设在网络容量相对稳定的情况下，将任何新获得的、更高的瞬时带宽测量值视为对实际网络容量更准确的估计，能够有效防止带宽估计值被不当地低估。
基于上述对网络带宽的精准估计以及对队列长度q(t)的实时预测，LDCC算法得以实现其关键性能——拥塞窗口的动态调整设计。该设计以拥塞信号q(t)为核心，并将队列参考值Q定义为一条带宽时延积（BDP），即Q=1×BDP。在实施拥塞窗口调整前，LDCC算法会对原始拥塞信号q(t)进行平滑处理，以消除一些噪声和波动，确保控制决策的稳定性和鲁棒性。算法在拥塞窗口调整周期内采用不对称的调整策略，根据网络状态的差异，每一轮窗口加一或减窗，具体的减窗幅度由核心函数f(α)决定。
图5 核心函数f(α)详情
核心函数f(α)旨在将规范化后的拥塞信号α映射为拥塞窗口的减窗因子。其中，输入的α∈[0,1]表示平滑后的队列长度q(t)相对于队列参考值Q的堆积程度。如图5所示，相较于其他α、α、α2函数，LDCC算法采用的f(α)是一个高度非线性的函数，其关键特性是表现出对拥塞信号的极高敏感度。该函数被设计为阈值触发式的策略：一旦α值超过一个预设的极小拥塞阈值αth，减窗因子f(α)即刻从0陡峭地上升并饱和到最大值1。通过在拥塞发生时快速执行最大幅度减窗，f(α)有效地防止了瓶颈队列的持续堆积，将排队延迟严格控制在最低水平，这是LDCC算法的关键所在。
综上所述，LDCC算法有效地克服了传统拥塞控制机制对延迟变化的滞后性，实现了在最大化吞吐量的同时，将队列延迟控制在较低水平，在用户可接受的时间内快速送达结果，避免卡顿和延迟。
3.2 云边协同的细粒度分布式云渲染任务分配方法和资源调度技术
3.2.1 基于云边协同的细粒度分布式云渲染任务分配算法
针对分布式云计算环境下多客户端渲染任务分配以及满足多用户QoE要求的挑战，我们提出了一种基于云边协同的细粒度分布式云渲染任务分配算法[21,22]。该算法旨在兼顾系统容量的约束下，平衡渲染质量、渲染速度与带宽资源需求，实现渲染任务的精准分配。
渲染任务分配算法的核心问题在于如何确定渲染等级，以实现资源的动态分配[23,24]。我们的创新点在于引入了渲染分级策略：渲染任务分配算法能够根据物体的视觉重要性、距离等因素，将场景中的对象划分为不同等级（任务优先级），动态分配渲染资源，在保证视觉效果的前提下减少计算开销。
表1展示了渲染任务分配算法如何通过优化图形处理器（GPU）计算和内存资源的分配，以分等级策略实现高效实时渲染。
表1 分级对应渲染策略示例
为在系统资源受限的条件下最大化整体渲染效用，本文将任务调度问题建模为一个混合整数二次约束优化问题。优化目标是在综合考虑任务权重与渲染质量的前提下，通过合理选择任务的渲染等级以及任务在各节点之间的分配方式，使系统获得最大的总体渲染收益。在优化过程中，需同时满足QoE约束、系统容量约束以及客户端资源约束。
首先，为保证用户体验，每一客户端任务的端到端时延不得超过系统最大时延阈值。该时延由任务在节点上的计算处理时延、数据在网络中的传输时延以及与节点选择相关的额外开销共同构成。其次，从系统整体角度出发，每个计算节点所承载的总渲染负载不得超过其可用资源上限，以避免节点过载，从而影响系统的稳定性与服务质量。该约束通过限制分配至各节点的任务渲染需求总量来实现。最后，从客户端侧资源可控性的角度考虑，客户端与各节点间的链路资源有限，因此客户端所分配到各节点的任务渲染负载同样受到带宽资源的限制，确保客户端侧的资源消耗可控。
通过将复杂的任务调度问题转化为一个具有单约束的混合整数二次约束二次规划问题进行快速求解，我们能够确定最优的渲染等级和分配决策，从而有效解决分布式云渲染环境下的任务分配难题。
3.2.2 5G实时渲染云平台
如图6所示，制片管理方在调用渲染任务分配算法的同时，依托5G实时渲染云平台实现分布式渲染任务的调度与执行。该平台通过5G网络与云渲染资源池建立通信连接，确保渲染任务的实时性与数据同步性[25]。为保障数据传输的安全性，外部数据在进入防火墙后被分流至两条独立的安全处理路径：其一，经由入侵防御系统（Intrusion Prevention System, IPS）进行深度流量检测与恶意行为拦截；其二，通过堡垒机（Barricade Machine）实现不同安全域间的网络物理隔离与受控数据交换。
图6 5G实时渲染云平台核心工作流程
经安全验证的数据流随后被导向核心交换机，并进一步分发至管理设备区、存储区及各类接入交换机。存储接入交换机、业务接入交换机与运维接入交换机的流量都汇聚至高性能GPU渲染集群，以完成后续的实时渲染任务。
平台采用私有化的低延迟高清传输（Low⁃Latency High⁃Definition Transmission）协议及会议级通信协议，以保障超低时延传输与数据稳定性。在多机位（尤其10路以上高清信号）场景中，例如真人线下虚拟竞技，平台采用5G超级上行组网方案，通过上下行通道的时分双工（Time Division Duplex, TDD）与频分双工（Frequency Division Duplex, FDD）协同机制，实现高频段与低频段的互补利用[26]。通过时域与频域的聚合策略，充分发挥3.5 GHz频段的大带宽优势及FDD频段低穿透损耗的特性，从而在提升带宽的同时优化网络覆盖能力，确保高清视频流的稳定上传[27]。
5G实时渲染工作站基于独享式高性能GPU云桌面架构构建，终端侧通过5G网络与服务器端建立通信连接。服务器端接收渲染任务后，经实时渲染平台调度并执行，同时配备大容量云存储空间以支持远程制作协同[28]。平台默认配置中高级安全策略基线，可根据实际需求进行定制化调整。用户可通过终端浏览器直接访问实时渲染工作站，或通过服务器/客户机（C/S）进行交互操作。
该架构通过多层次的网络分层设计、安全机制与传输优化策略，为大规模实时渲染任务提供了高效、安全且可扩展的计算平台，为沉浸式内容生产与分发提供了技术支撑。
3.3 平台应用实践
本研究提出的超高清沉浸式视频分布式云渲染平台自2021年3月起已正式落地应用于“蓝海创意云”渲染平台，该平台在处理超大规模三维场景融合、16 bit位深图像及4K分辨率画面渲染时具备良好的稳定性与高效性[29]。平台系统构建了基于混合整数二次约束二次规划的云边协同细粒度算力调度机制，根据视距和细节复杂度对渲染对象进行动态分级，同时，整合了STOP架构及LDCC算法，利用强化学习动态调节拥塞窗口，并在网络传输层提前筛除无法在截止期限内到达的无效数据包，从机理上保障了公网带宽的高效利用[30]。上述技术矩阵不仅实现了在超高清广播级信号传输中视觉无损的高保真画质，也压缩了端到端时延，带来了强实时交互体验。
在项目落地方面，该平台已实现大规模商业化生产应用。平台深度参与了《哪吒之魔童闹海》《封神第二部：战火西岐》《流浪地球2》等国产电影项目的视效渲染与虚拟摄制，在复杂影视生产环境下充分验证了该技术的应用效能与工业化成熟度。云渲染平台为虚拟演播与超高清内容产业提供了坚实的技术支撑，其技术成果也获得了行业的广泛认可。该技术于2025年9月荣获中国电影电视技术学会科技进步奖一等奖，充分体现了其在超高清沉浸式视频云边协同全产业链中的行业示范效应与推广价值。
4
结语
本研究围绕超高清沉浸式视频实时云渲染的关键需求，针对高算力消耗与低时延传输间的矛盾，提出了“云端算力协同-边缘节点调度-实时渲染与传输优化”的整体技术框架。研究结果表明，该框架在保证视频画质与沉浸体验的前提下，显著降低了端到端传输时延，并提升了资源利用效率。这说明通过云边协同与算法级优化，可有效缓解实时渲染系统中“算力-带宽-时延”的多重约束问题，为影视制作、虚拟现实及专业可视化等领域提供稳定技术支撑。本研究不仅有助于降低影视工业化生产成本，还为分布式渲染系统的工程化落地提供了参考范式。未来，随着5G/6G网络的发展，实时云渲染将向更低时延与更高智能发展演进，可重点探索基于AI的轻量化渲染算法与计算资源的动态优化配置。同时，多技术融合有望推动沉浸式交互模式革新，进一步拓展全感官体验与智能协同制作的新应用场景。
参考文献
（向下滑动阅读）
[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, 高润泽, 等. 云网边端协同云控制研究进展及挑战[J]. 信息与控制, 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] 许娅男, 赵桂丹, 冯大权, 等. 边云协同驱动的沉浸式Web3D[J]. 电信科学, 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] 杨春辉, 孙鹏, 程凯. 基于5G技术的动车组车载数据传输及监控系统研究[J]. 铁路计算机应用, 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. 分布式渲染调度策略优化研究与实现[J]. 软件导刊, 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] 杨艳芳,高居建,王奇,等.面向复杂生产场景的数字孪生模型分布式渲染方法[J].计算机集成制造系统,2023,29(06):1811⁃1823.
[23] 徐翔, 吴小龙, 陈子凌, 等. 大规模三维场景光线追踪渲染方法综述[J]. 计算机辅助设计与图形学学报, 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] 张林, 黄静, 全伟, 等. 5G+AI云渲染技术在外场转播中的探索应用[J]. 现代电视技术, 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.
特别报道 | 2026年电影科技发展创新座谈会在无锡成功举办
期刊导读 |《现代电影技术》2026年第5期
王岚君等：面向影视创作的AIGC可控生成与溯源技术进展研究
热门跟贴