京阿尼事件遇害动画师签名插画遗作拍出100万日元
10月20日今天,京阿件遇雅虎拍卖宣布一张由京阿尼事件遇害动画师池田晶子签名插画(色纸)遗作拍出100万日元。尼事
·据悉,害动画师池田晶子是签名位资深动画业界设计师,当年在京都动画任职,插画也是遗作元死于京阿尼纵火案的30多位牺牲者之一,死时年仅44岁。拍出生前正在参与包括《吹响! 悠风号》、京阿件遇《凉宫春日的尼事忧郁》等的制作,担任角色设计师。害动画师
·另外,签名竞拍获胜者并未透露任何个人信息,插画但根据报名资料来看,遗作元推测是拍出一位中国竞拍者或是代理执行,业内人士分析称,京阿件遇这种艺术家亲自制作的色纸近年来越来越受到追捧关注,与AI盛行导致数字艺术品价值巨降有很大关系。
友链
外链
互链
Copyright © 2023 Powered by
六合彩图库源码【购买联系电报bc3979】AC彩票网站源码|六合彩源码|彩票搭建|新中原六合彩源码|【网站bc9797.com】六合彩论坛源码【联系飞机bc3979】
sitemap
-
文章
176
-
浏览
4882
-
获赞
2963
热门推荐
-
安仁时尚民族风服装(民族风与时尚结合设计服装)
安仁时尚民族风服装民族风与时尚结合设计服装)来源:时尚服装网阅读:1496民族服装图片汉族民族服饰:西汉服饰男装)图片取自《大汉天子》)汉代男子的曲裾深衣 。汉代的男子的服装样式,大致分为曲裾、直裾两Engineered Garments 2020 春夏系列 Lookbook 赏析~
潮牌汇 / 潮流资讯 / Engineered Garments 2020 春夏系列 Lookbook 赏析~2020年02月17日浏览:3352 看过了 2020FW《如龙》真人剧花絮曝光 神室町场景完美还原
SEGA近日发布了《如龙》真人电视剧的幕后制作花絮视频,揭秘了剧组如何在现实中重现游戏标志性场景——神室町的幕后故事。 《如龙》真人电视剧制作花絮:视频展现了剧组在东京近郊大规模搭建神室町场景的幕后工新百伦 x Aimé Leon Dore 全新联名 827 鞋款释出
潮牌汇 / 潮流资讯 / 新百伦 x Aimé Leon Dore 全新联名 827 鞋款释出2020年02月27日浏览:2925 不久前,纽约街牌Aimé Leon时尚修身舞厅服装搭配(舞厅装修风格)
时尚修身舞厅服装搭配舞厅装修风格)来源:时尚服装网阅读:1815女生去酒吧穿什么衣服好看首先,女生去酒吧可以选择一些时尚、性感和个性化的服装。比如,露肩上衣、短裙、紧身裤等,可以突出女性的曲线美,同时AJ1 Low 鞋款全新“Laser Blue”配色释出,熟悉的配方
潮牌汇 / 潮流资讯 / AJ1 Low 鞋款全新“Laser Blue”配色释出,熟悉的配方2020年02月16日浏览:5374 在近来一段时间,Jordan 先后中国食品发布2015年度业绩公告
3月22日,中国食品HK.00506)发布2015年度业绩公告。2015年,中国食品经营收入为278.42亿港元,同比增加6.1%;经营利润为6.2385亿港元,同比增加92%。2015年,中国食品不替补2分钟建功!B费角球助攻,小麦头球破门
2月2日讯 英超第22轮,曼联客场对阵狼队。比赛第75分钟,B费右侧开出角球,刚替补登场2分钟的麦克托米奈头球破门,曼联3-1领先!标签:狼队三傻将饰演亚马逊新版《古墓丽影》电视剧中的劳拉
据Deadline报道,演员索菲·特纳Sophie Turner)已确定出演亚马逊即将推出的《古墓丽影》电视剧,饰演传奇探险家劳拉·克劳馥。 该剧由菲比·沃勒-布里奇Phoebe Waller-Bri集团荣获“国家知识产权示范企业”称号
12月10日,国家知识产权局发布《关于确定2015年度国家知识产权示范企业和优势企业的通知》,确认集团荣获“国家知识产权示范企业”称号。“国家知识产权示范企业&rd被阿扎尔踢的球童:当时我以为是马塔干的,他们告诉我是阿扎尔
2月1日讯 近日切尔西功勋阿扎尔与当年被他踢的球童查理-摩根重聚,两人畅谈往事。查理-摩根说:“太疯狂了,当时我一直以为是胡安-马塔踢的我,回到更衣室我也是这么认为的,还一直在想这件事。然后我的同伴告美元飙升给全球市场带来压力,涨势能否延续?
汇通财经APP讯——受美联储不愿降息的提振,美元继续飙升。美元强势给股市和全球经济带来了严峻的挑战。美元的攀升是一种可持续的优势,还是会给市场带来风险?鲍威尔为何保持利率不变?美联储主席鲍威尔最近重申天空:因热刺不想出售,曼联今夏不大可能竞购凯恩
6月12日讯 据天空体育消息,曼联今夏不大可能竞购热刺中锋凯恩。凯恩和热刺的合同明夏到期,曼联对这位中锋感兴趣,因为红魔夏窗的首要任务就是收购中锋。不过天空体育表示,曼联今夏收购凯恩的可能性越来越小,李铁:尊重和重视每一个对手 长期封闭对球员非常残酷
李铁:尊重和重视每一个对手 长期封闭对球员非常残酷_比赛www.ty42.com 日期:2021-10-06 23:31:00| 评论(已有305679条评论)类Sora模型到底懂不懂物理?字节完成系统性实验证明
Sora爆火以来,“视频生成模型到底懂不懂物理规律”受到热议,但业界一直未有研究证实。近日,字节跳动豆包大模型团队公布最新论文,研究历时8个月,围绕“视频生成模型距离世界模型有多远”首次在业界完成系统