章2动画创作技术剧本场景分镜头.docx

章2动画创作技术剧本场景分镜头.docx

《章2动画创作技术剧本场景分镜头.docx》由会员分享，可在线阅读，更多相关《章2动画创作技术剧本场景分镜头.docx（25页珍藏版）》请在冰豆网上搜索。

章2动画创作技术剧本场景分镜头

第二章动画创作技术

2.1前言

动漫产业被称为21世纪知识经济的核心产业之一，已逐渐成为许多国家经济发展的重要产业和新的经济增长点

相信大家对动画这个名词都不陌生，动画随着时代的进步渐渐走近人们的生活，那么，动画是什么？

动画，顾名思义，是动起来的画面。

它是通过连续播放一系列的画面，给视觉造成连续变化的图画。

它的基本原理和电影、电视都是一样，是“视觉暂留”的原理—人的眼睛在看到一个画面之后，在1/24秒内不会消失。

那么，利用这个原理，在一个画面还没有消失之前，播放下一个画面，就会给人造成一种流畅的视觉效果。

动画的分类没有确切的规定。

如果从制作的技术和方法手段来看，可以分作以手工绘制为主的传统动画，和以计算机为主的电脑动画。

如果按照动作的表现形式来区分，又可以分作基本接近自然动作的“完善动画”，和简化、夸张的“局限动画”。

当然，如果按照空间的视觉效果来看，自然又有2维、3维动画之分了。

有一种新的动画框架，叫交互式高效动画框架，如图1所示。

系统的输入是创意良好的故事或剧本，通过分镜头描述生成模块对故事和剧本的分析理解，得到分镜头描述信息，生成分镜头剧本；场景和角色建模模块根据分镜头描述信息，通过用户交互半自动地创建角色以及虚拟角色表演活动的场所；角色动画模块利用运动捕获技术赋予角色动的元素；渲染与合成模块将动画场景以及在其上表演的虚拟角色用多种方式绘制出来；动画制作模块渲染后的结果通过后期制作模块进行合成和剪辑，最后形成一部创意动画影片。

图1

2.2剧本

2.2.1剧本的概念与意义

这里说动画，我们先来看看动画剧本。

动画剧本，就是由动画讲述出来的一个故事。

动画片是影视剧的一种类型，那么谈到动画剧本，也要从影视剧本的基本概念谈起。

如果说视听语言是一种特有的讲述故事的方式，那么剧本就是未来视听语言的一种文字表述：

美国最畅销的电影剧作家—悉德·费尔德，在谈到电影剧本这一基本概念的时候，首先就强调了“它既不是小说，也不是戏剧……而是由画面讲述出来的一个故事。

”

从功能性上说，一部影片或者动画片的创作，也是从剧本开始的。

剧本是整个片子的基础，它不仅是作品创作的第一道工序，也是未来影片成败的前提。

影视剧本的创作，是为今后影像拍摄做准备、打基础。

那么在剧本的创作中，就不仅要把故事讲好，把人物塑造好，还有一个很重要的要求：

你的剧本是否具有视听表现力。

当文字隐藏到作品背后，故事、人物以及细节都要用视听语言来表达的时候，这部作品的感染力是削弱了，还是会因为影像的独特表现力而增长了？

如果没有达到这些要求，那么无论剧本之后的工作做的多好，画面制作的多么精妙，这个作品只能是一个失败的作品。

在我们阅读小说的时候，即使没有画面，我们也经常会被那些优美、独特的文学表达方式所打动：

精妙的比喻、优美的景物描写、细腻的心理活动……然而这些文学的表达方式，却是无法直接转化为影像或声音的。

你所展现出来的，必然也只能是具象的东西，而“感情”、“氛围”这些内部的抽象的东西只能让观众自己去感受、体会。

正如悉德·费尔德所说：

“剧本涉及的都是外部情景，是具体细节。

”

因而，富于视听表现力的情节设置，简洁准确的语言才是剧本所需要的特征。

2.2.2自然语言理解技术在动画领域的应用现状

由于自然语言理解技术和计算机动画技术的不断发展，探索从自然语言故事到动画剧本、再到图形图像的动画自动生成技术，取得了阶段性的成果。

目前该领域的研究主要包括有：

交互式情节自然语言指令驱动的动画[1]，这种技术在高层次界面中采用了自然语言的方式描述运动，并按计算机内部解释方式控制运动，虽然用户描述运动变得自然和简捷，但对运动描述的准确性却带来了不利因素，甚至可能引起模糊性、二义性问题。

解决这个问题的途径是借鉴自然语言理解、机器人学、人工智能中发展成熟的语义分析、反向运动学、路径设计和碰撞检测等理论方法。

交互式故事系统[2]，它是支持交互式情节的动态产生、管理和冲突解决的计算框架,它让用户充当故事的主角来确定当前的行为,同时根据角色的说明、关系、目标等来控制角色的行为。

该框架的核心模块是一个情节管理器,它的输入是一系列初始情节条件,输出是角色动作序列。

自然语言故事到计算机动画的翻译[3,4]，从故事篇章中推导出脚本、角色动作生成、动画环境构造和虚拟摄像机定位，但自然语言中的对话理解和篇章二义性的处理方面不够稳健。

比较著名的国内外系统还有多瑞塞利格曼开发的一个通用的、由文本描述生成图像（非连续动画）的IBIS系统[5]、马里兰大学的PETS系统[6]，以及“天鹅”系统[7,8]和LIREC系统[9]。

近年来这方面的研究更多转移到文本指导的动画场景构建（text-to-scene）的实际应用。

RichardSproat的WordsEye系统[10]利用自然语言处理技术对故事场景描述进行分析，确定动画角色特征及方位、朝向、动作，指导三维场景的构建，WordsEye系统要求文本描述中包括大量明确的方位信息。

Oshita[11]将自然语言理解与运动库相结合，从脚本式输入文本中抽取语义信息来指导运动的搜索与重组织，进而构建动画场景。

2.2.3故事理解

不论是怎么样的故事，要生成一个剧本，对故事的理解都是最为重要的一个部分。

故事理解是人工智能中的一个重要基础问题，是计算语言学的一个终极目标，它本身包含了自然语言处理的各个困难问题：

文本语义理解、知识获取、建模与推理、认知理论等。

早期的故事理解工作大都基于大量的手工知识，研究者通过构建复杂的知识模型和推理机制来进行理解工作。

Schank等[12]使用脚本、计划和目标这些知识结构来构建故事理解程序。

BORIS系统[13]将这些知识结构和其他的知识结构相结合:

包括情感、人际关系、空间-时间图以及故事情景。

自上世纪80年代以后，受困于故事理解的健壮性问题，不少研究者致力于研究广覆盖的浅层故事理解问题。

目前研究界尚无法解决广覆盖下的深层理解问题，但有两种可行的探索方略：

其一是从一个广覆盖的浅层理解问题入手，逐渐加深理解的深度[14]，将现有的自然语言理解的成果，比如信息抽取，应用到故事理解的工作中，期望通过这种结合来缓解知识获取和歧义消解这两方面的压力；其二是通过一个窄覆盖的深层理解问题入手，逐渐扩展方法的适用面[15]。

近年来故事理解新的研究成果屈指可数[15][16]。

究其根源，在于研究者陷于迷惘：

如何使得故事理解程序能处理的不仅仅是几个小故事？

现有的故事理解的方法无一例外的遇到了知识工程上的瓶颈：

如何获取并处理海量的知识。

这本身是一个非常困难的问题。

另一方面，已有的研究或多或少的忽略了语言处理中的歧义性问题，而是把注意力放在了下一步的知识推理上。

而歧义是在自然语言处理中不可避免的问题，也是自然语言处理的主要对象。

因此，对于今后的故事理解研究者的一个挑战是如何将现有的较为成熟的统计自然语言处理方法应用到故事理解中，这其中一些例如统计词性标注已经得到了应用，而一些例如浅层句法、语义分析则给故事理解中的语言理解提供了非常好的方法[17][18]。

2.2.4从自然语言描述的故事中生成动画情节的技术

从自然语言描述的故事中生成动画情节的技术，早在上个世纪70年代就已经开始有人研究。

Rumelhart[19]在1975年提出了一种基于故事分析的形式化文法，并为故事文法拟定了11条句法规则和相应的语义解释，试图用这一系列规则获取句法结构以及故事的语义。

但其中有不少的缺陷：

表达力相当有限，不容易理解一些复杂的形式及场景，存在明显的句法导向性（syntaxoriented）。

这些方法不能够满足提取深层次语义信息的要求。

Schank[20]提出了依赖于概念上、以相关技术为基础的脚本去理解一个故事的理论。

这一理论把每个故事看作由一系列的脚本模板组成，而每个脚本模板又由一系列概念驱动的子情节（atomactions）组成[21]。

基于这个理念，Cullingford[22]在1978年研发了一个SAM系统，该系统可理解简单故事和回答故事相关的简单问题，并提供多种语言的摘要。

1979年，DeJong[23]公布了FRUMP（快速阅读理解和记忆程序）系统，这个系统只是基于一个很简单的原则。

之后，Schank[20]的方法经发展成为所谓的MOPs（memoryorganizationpackets）[24]，它对故事的理解是通过当前信息来预测下一个脚本，这种理解很大程度上依赖于组织记忆单元。

SAM和FRUMP系统都存在知识结构不能共享的问题，从而导致它们无法分析脚本以外的非正常故事，实际上现实生活很少的故事能完全满足脚本的标准。

此外，Lebowitz[25]还提出了采用情节单元达到故事总结的方法。

该方法的核心思想是依照人物角色的感情来理解故事。

这一理论假设每个角色在故事发展的每一刻都处于某种角色状态，例如，开心时用“+”，否则用“-”号，其它情况下用“M”表示无关紧要。

两个状态及连接它们的语义链构成一个情节单元。

2.2.5结构化剧本模型

我们提出一种新的剧本模型，即结构化剧本模型。

现在，我们面临的问题是，如何将一个儿童故事分析为一个剧本表现形式，这种剧本表现形式同时要满足人、机两方面的需求：

1）对于可能发生的分析错误，能够及时发现并修改；

2）能够将结果方便地呈现给导演，并且提供简单智能的修改调整工具；

3）同时能够提供所有必须的信息供动画生成步骤修改。

以上这些要求互相交织纠缠在一起，又有互相冲突矛盾之处。

例如，为了提高可读性，最终的表现形式需要简明扼要。

而对于动画生成的任务来说，更完备的信息则更有用。

为解决这个问题，我们将表示模型拆分为两个子模型：

叙述模型N和剧本模型S。

叙述模型表示了儿童故事的自然语言理解结果，剧本模型面向用户（人或者计算机）。

特殊地，S并不是一个“物理存在”的模型，而是N的一个视图。

一个叙述模型N是对于故事的直译。

对于故事中的每一个语句，我们仅区分两种情况：

描述性和叙事性语句。

描述性语句包括环境描写、外貌描写等，一般是静态的，即不包含角色动作，但可能包括场景构建所需的信息。

叙事性语句主要包括动画角色动作，语言及心理活动等。

描述性语句提供角色、场景、道具信息，而叙事性语句提供事件流。

描述和事件在时空坐标中标记。

时间轴由一个带“刻度”的时间箭头组成，分段上可能有具体时间的标记（比如“星期天”、“早晨”等等），也可能仅仅是根据故事发展而自然构成的时间戳。

空间轴上离散地标记了故事发生的不同地点。

比如说“蛋糕在桌上”，这是一个描述，被分析为（蛋糕，位置，（桌,上）），同时这是在故事开头描述的，所以时间戳是Time0，同时前面分析得到了地点是“房间里”。

这样，可以初步把这一句分析为（（蛋糕，位置，（桌,上））,Time0,房间里）。

剧本模型实际上是一个更为复杂的映射模型，将一个简单的叙述性表示形式映射为复杂的剧本呈现形式。

比如，有了（（蛋糕，位置，（桌,上））,Time0,房间里）之后，需要将之后所有地点表示为“房间里”的场景都标示上这个蛋糕的描述。

对于用户来说剧本的修改是透明的，也就是说用户看到的只是形式化的剧本视图。

由于剧本表示形式和叙述表示形式是以一一对应的，这样对于剧本上的每一个修改实际上都能映射到对于叙述层面上的修改，然后这个修改又通过剧本模型的映射反馈到视图上，使得视图的现状和用户的修改保持一致。

2.2.6剧本元素抽取

另外一点，在拥有剧本之后，剧本的元素抽取也是十分重要的一环。

剧本元素抽取的对象主要是故事角色，故事中的道具，时间信息以及地点信息。

一般来讲角色名和道具在故事文本出现频率较高，而时间、地点信息大多是“一次性”的，即一个时间、地点词只出现一次。

我们针对不同抽取目标的特点采用不同的抽取方法。

剧本元素抽取主要分为三个步骤：

文本预处理，候选项抽取和剧本元素判别。

首先使用未登录词识别方法和ICTCLAS2009分词工具对故事文本预处理，然后利用词频等信息从分词结果中抽取候选项，最后使用分类器结合规则方法对候选项进行判别，最终得到剧本元素集。

系统流程如图4所示。

故事角色名和道具名一般在故事文本中具有较高的出现频率。

其分布分为两种情况：

一种是在整个文本中高频出现，另一种是只在局部高频出现。

根据这一现象，我们采取了TF-IDF和LOC-TF-IDF特征进行候选项筛选。

候选项筛选本质上是一个二元分类问题，我们使用已标注的数据及其属性集训练SVM分类器进行分类。

图4剧本元素抽取流程

时间和地点转换词并不是高频词，一般只在文中出现一次。

因此在抽取这些剧本元素时主要根据POS标注结果，并结合构词规则和指示词信息。

时间转换词识别规则主要包括时间特征词（例如X天、X年）、时间指示词（例如X以后）、构词规则（例如第二/m天/q）。

地点转换词识别规则主要包括地点特征词（例如X省）、地点指示词（例如来到XX）、构词规则（例如名词+方位词）。

另外一个需要解决的问题是指代消解。

在故事叙述中，经常会出现用人称代词，如：

“他”，“他们”等代替角色。

由于童话故事情节比较简单，我们采用基于最近前驱的指代消解。

根据代词的类型可以判断其代指的对象是人（角色）还是物（道具），对象的性别是男还是女，是群体还是个体（单复数）。

根据这些信息，在前文中查找最近出现的，单复数、性别等信息相符的角色。

2.3场景

2.3.1场景介绍及其意义

场景就是场面描写，组成小说或者剧本的最小板块，是对一个特定的时间、地点内许多人物活动的总体情况的描写，即由人物、事件、环境组成。

它是某一段时间社会生活的横截面，如舞会、晚餐、战斗场面。

主要考虑以人物为中心的环境描写。

场景环境的描述也很重要，如果是自然环境，那么人物活动的时间、地点、季节、气候以及景物等要表述清楚，如季节变化、风霜雨雪、山川湖海、森林原野、草木虫鱼等；如果是社会环境，那么建筑、陈设、风土人情和时代气氛等要一一阐述。

它所描写的范围可大可小，大至整个社会、整个时代，小至一个家庭、一处住所。

场景的作用有以下几点：

如果剧本以场景描写作为开头，会定下感情基调，举个例子：

“月亮从树林边上升起来了，放出冷冷的光辉，照得积雪的田野分外白，越发使人感到寒冷。

”

这就是一个悲情的基调。

第二，还能渲染气氛和营造意境。

如：

“月牙儿下边，柳梢上面，有一对星好像微笑的仙女的眼，逗着那歪歪的月牙儿和轻摆的柳枝。

”

这很显然是一个欢快的气氛。

第三，表现人物的特性，也就是刻画人物，这一点就不细细赘述了，相信大家都能理解。

第四点，也是最重要的，就是这个场景对情节发展和主题表现的作用，如果一个场景在这些方面完全没有意义，那这个场景就没有存在的必要，也就是说这个场景很失败。

鲁迅的《药》开头对时令的描写：

“秋天的后半夜，月亮下去了，太阳还没有出，只剩下一片乌蓝的天；除了夜游的东西，什么都睡着。

华老栓忽然坐起身，擦着火柴，点上遍身油腻的灯盏，茶馆的两间屋子里，便弥满了青白的光。

”

这个场景描述的作用就很大，它不仅勾勒出黎明前最黑暗的时刻的突出特征：

阴暗、凄清，还有几分恐怖，还交待了活动背景，渲染了沉寂而肃杀的气氛，奠定了悲剧基调，暗示了小栓和夏瑜的悲惨命运，这就是一个成功的场景描述。

2.3.2含空间推理的场景的构建技术

场景和角色建模技术包括含空间推理的场景自动创建技术、个性化角色造型自动创建技术两方面。

现在来详细介绍一下含空间推理的场景自动创建技术。

创建3D场景是个非常复杂而又耗时的工作。

用户首先得掌握复杂的建模软件、渲染工具，然后才开始漫长的场景设计与创建过程。

我们需要开发新的更有效、操作更简单的3D场景创建方法。

由于丰富的自然语言可以准确地描述3D场景，因此基于自然语言自动创建3D场景是目前先进而又实用的方法。

早期的系统如G.Adorni[26]开发的语言驱动的图像生成系统和S.R.Clay[27]开发的基于自然语言的对象摆放系统。

其中S.R.Clay的摆放系统更接近于我们的研究目标，但是其仅限于对已有对象的空间排列与分布。

Pennsylvania大学的人体模型与仿真中心[28][29]研究了如何在封闭虚拟环境中基于自然语言控制实体的动态特征。

这与T.Winograd[30]的SHRDLU系统类似，即在虚拟环境中通过自然语言与实体对象交互。

Johansson[31]等人开发了根据语言描述还原交通事故3D场景的系统Carsim。

Coyne[32]等人实现了基于语言描述的3D场景生成系统WordsEye，如图3.2-1所示。

WordsEye系统依赖于一个庞大的可以描述实体及其动作的3D模型库，并且其中的每个模型都有相关联的形状位移、空间标签以及功能属性等描述。

WordsEye系统通过语言分析从文本描述中提取实体的特征，从3D模型库中获取合适的模型，然后参照空间标签以及形状位移正确地摆放模型。

图3.2-1Coyne等人开发的基于文本描述产生的3D场景的WordsEye系统。

图中场景根据如下文本描述生成：

“John使用弩，他骑在商场边的马上，商场在大柳树下，一只小恐龙在马前，恐龙面向John，一个巨大的茶杯在商店前，一个巨大的蘑菇在茶杯中，城堡在商店右边。

”

通过对已有系统的分析，我们认为一套完整的含空间推理的场景自动创建技术包括空间推理算法，含有定位信息的模型存储，基于内容的三维模型检索以及场景描述模型。

以上的技术方案以三维动画为主，同时兼顾二维动画场景的自动生成。

（A）空间推理算法

目前空间推理的研究主要集中在GIS研究领域，研究对复杂地学对象的管理和处理；能够对由各种空间对象表达形式表示的地学复杂对象进行有效的空间存取；能够对各种空间对象进行有效的空间操作。

由于空间知识和空间推理本质上是定性的，因此我们这里主要是指定性空间推理技术。

郭平[33]详细阐述了在二维空间的定性推理技术的发展趋势。

定性空间推理主要包括基于组合表推理逻辑演算等方面。

虽然关于定性空间推理的研究已有十几年，获得了一些推理方法，但是基于组合表的推理仍是定性空间推理最常用的推理方法[34-41]。

组合表推理是从两个已知关系R1（a,b）和R2（b,c）推出仅含a和c的关系R3（a,c）。

组合表推理的合法性在于多数情况下推理不依赖于已知事实而依赖于关系的逻辑属性，组合表推理的可行性在于无论是拓扑关系还是方位关系其关系全集均是有限集合。

通过逻辑演算来进行推理是定性空间推理的另一种方法。

Randell等[42]通过空间谓词C（x,y）定义空间逻辑系统，将空间对象间的拓扑关系表示为谓词公式，利用一阶谓词逻辑建立了一阶逻辑范畴下的空间拓扑关系推理技术。

Bennett[44]用命题逻辑来表示空间对象间的拓扑关系，由此使得空间推理成为命题演算。

Bennett[45]还在将模态逻辑引入空间拓扑关系的描述与推理方面进行了一些尝试性研究。

石纯一等[43]将定性空间推理问题划分为易处理类与非易处理类，并给出了易处理类的分层逼近推理方法。

为了表达三维空间对象的拓扑关系，一些学者开发了基于拓扑关系的数据模型，如3DFDS模型（3DFormalDataStructure）[46]。

3DFDS模型基于二维拓扑数据结构，定义了结点、弧段、边、面四种基本的几何元素以及基本元素与点、线、面、体四种几何目标之间的拓扑关系。

该模型具有很强的表达拓扑关系和位置的能力，但由于没有考虑空间实体的内部结构，仅适于表达具有规则形状的简单空间实体，难以表达没有规则边界的复杂实体。

一些学者对3DFDS模型进行了扩展，发展了新的模型，如SSM（SimplifiedSpatialModel）[47]。

目前空间推理算法主要用于对GIS中二维空间对象的检索，而3DGIS的空间推理算法还处于初级研究阶段，并没有形成实用的系统。

因此目前根据文本描述自动生成3D场景的实用系统如Carsim[31]、WordsEye[32]以及Lee[48]等人实现的实时3D场景自动生成系统都没有使用GIS空间推理算法确定空间对象间的位置关系，而仅仅使用“上”、“下”、“前”、“后”、“左”、“右”等基本位置关系附加上基于物理的约束条件以及基于常识的约束条件或者其他类型的各种约束来精确定义各个空间对象之间的方位关系。

（B）含有定位信息的模型存储和基于内容的三维模型检索

基于内容的三维模型检索首先从模型数据中自动计算并提取三维模型的特征,如形状、空间关系、材质的颜色及纹理等,建立三维模型的多维信息索引；然后在多维特征空间中计算待查询模型与目标模型之间的相似程度,实现对三维模型数据库的浏览和检索[61]。

基于内容的含义就是试图利用反映三维模型视觉特征的内容信息自动建立特征索引,达到检索三维模型的目的。

杨育彬等人[60]对基于内容的三维模型检索算法做了很好的归纳和总结。

三维模型存在一些特殊之处。

首先,三维模型同时具有几何特性（geometricalproperties）和表面属性（appearanceattributes）两方面的数据。

其中,表面属性主要包括材质种类及其颜色、透明度、反射系数以及纹理贴图等;而几何特性则存在多种表示方式,如参数化曲面或多边形网格包围的实体表示、体元集合、隐性函数以及类似于VRML模型的多边形混合模型等[53]。

由于表面属性的多样性和复杂性,目前的三维模型检索算法往往针对特定的三维模型数据表示方法,只根据其形状特征进行相似性检索。

例如，Hilaga等人[54]和Vranic等人[55]都以多边形网格包围的实体表示模型作为检索对象;Regli[56]、McWherter[57]、Corney[58]和Mukai[59]等人则以几何CAD模型作为检索对象；而Keim等人[60]则采用体元集合表示模型作为检索对象；Zhang等人[61]和Ohbuchi等人[62]采用VRML模型作为检索对象。

目前还没有一种统一的形状描述能综合所有三维模型表示方法的优点,而且不同的模型表示方法之间有时并不能相互转换[62]。

这增加了基于内容的三维模型检索研究的复杂性。

其次,许多三维模型尽管视觉上得到优化，但是缺乏语义上的结构层次，是弱定义（illdefined）结构[63]，模型表面并不能进行简单的参数化描述。

另外，由于三维表面之间可能具有任意的拓扑关系，许多对二维图像媒体有效的方法，如傅立叶变换等，并不能直接扩展应用于三维表面模型。

（C）场景描述模型

经过语法和语义分析，整个场景将通过图形级别的低等级描述格式来定义。

图形级别的描述格式用于控制对象的可见性、尺寸、位置、方向以及颜色、透明度属性等对对象特征的描述。

在现有的3D场景描述模型中，为了方便三维图形应用的开发和对图形性能进行优化，产生了场景图的概念。

场景数据库包含欲表现的几何图形及其状态信息，它被组织成分级层次结构，称为场景图。

场景图是通常意义上图的子集，它是一种有向、无环图。

也就是说，场景图中节点之间的关系有确定的方向性，即自顶向下，从左到右；场景图中没有环，否则当遍历场景图时可能导致无限循环。

场景图技术普遍应用于如今的CAD、视景仿真等软件中，大多数3D游戏都实现了私有的场景图并将其作为其游戏引擎的一部分，但较通用的场景图不多。

比较著名的有SGI（SiliconGraphics公司）开发的IRISInventor和IRISPerformer。

Inventor面向对象，多用于快速图形应用开发；Performer则面向性能，多用于虚拟现实和视景仿真应用。

著名的视景仿真引擎Vega，在WindowsNT上的版本中实现了其私有的场景图系统——Jolt，而在IRIX版本中则利用了Performer作为其内核[65]。

（D）二维动画中的场景自动生成技术

目前的动画制作主要分为三维动画和二维动画两种形式。

三维动画是以三维模型为基础。

对于大多数二维动画来说，若以二维模型的方式存储空间对象，则依然可以沿用三维场景自动生成技术。

但是若以图片的方式存储二维动画素材，则无法通过图片根据语言解析的结果直接构造完整