跟拍镜头是一种电影技术，其中摄像机沿着主体的侧面、后方或前方移动，在跟随动作时保持一致的距离和取景。在电影和摄影中，它营造出运动感、空间连续性和观众沉浸感，常用于构建紧张氛围、揭示环境或强调角色的旅程。在AI图像和视频生成的背景下，“跟拍镜头”一词作为提示词出现，用于指导模型生成具有动态、类似摄像机视角的输出，模仿专业电影摄影的视觉语言。
该技术起源于电影诞生之初，先驱如卢米埃尔兄弟尝试将摄像机安装在车辆或手持装置上进行移动拍摄。到1910年代和1920年代，D.W.格里菲斯和F.W.茂瑙等导演利用跟拍镜头达到戏剧效果，而1930年代移动摄影车的发明则实现了更平滑、更可控的运动。著名实践者包括奥逊·威尔斯，他在《公民凯恩》（1941年）中的长镜头利用跟拍探索广阔场景，以及阿尔弗雷德·希区柯克，他在《夺魂索》（1948年）中使用了著名的跟拍镜头来模拟单一连续拍摄。后来，斯坦利·库布里克、马丁·斯科塞斯和阿方索·卡隆等导演进一步推动了该技术，卡隆的《人类之子》（2006年）在车辆内和战斗场景中呈现了延长的跟拍序列。
视觉特征
跟拍镜头由几个视觉特征定义：摄像机平行于主体的路径移动，通常使用移动摄影车、轨道或稳定云台；背景持续变化，而主体在画面中相对固定；镜头保持空间连贯性，意味着观众可以追踪摄像机、主体和环境之间的物理关系。与静态镜头或摇摄不同，跟拍镜头在空间中物理平移摄像机，这创造了深度和三维感。在AI生成图像中，这些特征转化为指定“摄像机跟随主体”、“侧面跟拍镜头”或“连续运动”的提示词，通常与“平滑”、“动态”或“电影感”等描述词搭配。
艺术和摄影中的起源
在电影之前，移动视点的概念出现在全景绘画和早期摄影实验中。在19世纪，摄影师将摄像机安装在火车或船只上以捕捉连续图像，但静态摄影无法实现真正的运动。跟拍镜头作为连续视觉叙事的概念随着电影的出现而兴起，因为摄像机可以物理移动。早期例子包括乔治·梅里爱1896年的电影《闹鬼的城堡》，其中使用了移动摄像机以达到效果，以及1903年的《火车大劫案》，其中包含从移动火车上的跟拍镜头。摄影师后来在20世纪采用了这种美学，使用摇摄技术模糊背景同时保持移动主体清晰，这种风格影响了AI提示词词汇。
著名实践者和电影
跟拍镜头历史上的关键人物包括马克斯·奥菲尔斯，他以《轮舞》（1950年）和《伯爵夫人的耳环》（1953年）等电影中精心设计的摄像机运动而闻名，以及安德烈·塔可夫斯基，他在《潜行者》（1979年）和《镜子》（1975年）中的长镜头使用缓慢跟拍营造冥想氛围。在1990年代，加勒特·布朗于1970年代发明的斯坦尼康稳定器实现了流畅的手持跟拍，以《好家伙》（1990年）中著名的科帕卡巴纳场景为例。最近，萨姆·门德斯的单镜头动作片《1917》（2019年）被构造成看起来像一个连续的跟拍镜头，使用数字拼接。这些作品建立了AI模型现在学习的视觉语法，因为训练数据集包含此类电影的帧。
AI图像和视频生成中的跟拍镜头
在AI艺术中，跟拍镜头通过描述摄像机运动和视角的自然语言提示词来调用。对于Stable Diffusion或DALL-E等图像生成模型，提示词可能包括“跑步者的跟拍镜头，侧视图，运动模糊背景”，以产生暗示运动的静态图像。对于Sora或Runway等视频生成模型，提示词指定“摄像机从后方跟踪主体”或“平滑移动摄影车镜头跟随角色穿过走廊”。该术语通常与其他电影关键词如“广角”、“浅景深”或“变形镜头”结合，以细化输出。基于电影剧照和视频片段训练的模型识别这些短语，并生成具有空间进展感的构图。
典型关键词和提示词结构
提示词作者使用结构化词汇来引发跟拍镜头。常见关键词包括“跟拍镜头”、“移动摄影车镜头”、“跟随镜头”、“摄像机运动”、“侧面跟拍”、“后方跟拍”和“连续拍摄”。他们还可以指定速度，如“慢速跟拍镜头”或“快速跟拍”，以及方向，如“从左到右跟拍”或“摄像机向前移动”。在高级提示中，用户将这些与主体描述和环境细节结合，例如：“跟拍镜头，一个女人走过霓虹灯街道，雨，电影照明，35毫米胶片颗粒。”一些模型对明确的摄像机指令反应更好，而其他模型则从“跟随”或“追逐”等动词中推断运动。
与其他AI概念的关系
AI生成中的跟拍镜头与更广泛的机器学习概念相交。例如，Zero-shot learning允许模型理解像“跟拍镜头”这样的新提示词，而无需对该确切短语进行显式训练，而是依赖从电影数据中学到的关联。Few-shot learning可以在用户提供几个跟拍镜头示例来指导模型时使用。在视频生成中，Object tracking算法有助于跨帧保持主体一致性，这对于连贯的跟拍镜头至关重要。该技术还与提示工程相关，其中跟拍镜头描述的精确措辞决定了输出质量。随着生成模型的发展，控制摄像机运动的能力是一个关键研究领域，Generative AI系统越来越多地使用Transformer (architecture)架构来处理时间序列。
模型中的技术实现
生成跟拍镜头的AI视频模型依赖于时间一致性机制。例如，Sequence-to-Sequence (Seq2Seq)架构逐帧处理序列，而Cross-Attention层将视觉特征与文本嵌入对齐。来自OpenAI或Google DeepMind等机构的模型使用大规模视频数据集训练来学习运动模式。提示词“跟拍镜头”激活摄像机轨迹的潜在表示，模型将其渲染为具有连贯空间关系的一系列帧。在图像模型中，效果通过透视线索（如汇聚线或模糊背景）模拟，而不是实际运动。一些模型结合残差网络来跨帧细化细节，确保主体保持清晰而背景变化。
挑战和限制
在AI中生成准确的跟拍镜头仍然困难。模型可能产生抖动或不一致的运动，尤其是在长序列中，这是由于时间记忆的限制。“跟拍镜头”一词可能具有歧义，因为它可能指侧面跟随、后方跟随或类似起重机的运动，模型有时会误解方向。此外，AI生成的跟拍镜头通常缺乏真实摄像机的物理约束，如重力或镜头畸变，导致不自然的运动。提示词作者通过添加明确细节（如“摄像机高度在胸部水平”或“平滑云台运动”）以及使用负面提示词来避免静态或摇摄效果，从而缓解这些问题。
未来方向
随着AI视频生成的进步，跟拍镜头变得越来越可控。Zero-Shot Prompting和Curriculum Learning的研究旨在提高模型对复杂摄像机指令的理解。像Runway和Pika这样的公司正在开发允许用户以图形方式指定摄像机路径的工具，减少对文本的依赖。Object tracking与生成模型的集成可能实现实时调整，其中摄像机跟随特定主体，即使它不可预测地移动。从长远来看，跟拍镜头可能从简单的故事板生成，AI自动处理电影摄影，这一发展将进一步模糊人机电影制作之间的界限。
结论
跟拍镜头诞生于早期电影实验，已成为传统电影制作和AI驱动内容创作中的基本视觉语言。其定义特征，，摄像机随主体移动，，直接转化为提示词，指导生成模型产生动态、沉浸式视觉效果。随着AI系统的改进，调用和控制跟拍镜头的能力可能会变得更加精细，使创作者能够通过简单的文本命令实现专业级电影摄影。该技术的持久吸引力在于其将观众置于场景内部的力量，这是AI模型越来越学会复制的品质。