本研究提出使用 AutoFI 进行深度动画视频插值的方法，不断优化框架，提高了训练数据线性运动假设的准确性并使用 SktFI 进行后期精细处理，大幅提升了生成动画的视觉效果。

Jun, 2022

本研究旨在解决 2D 动画插值系统中的感知品质问题，提出了可有效降低可调参数以及改善口感表现的 SoftsplatLite 插值体系、利用线接近度解决难以处理的单色区域畸变的距离变换模块，以及用 Restricted Relative Linear Discrepancy metric 代替传统数据收集方法。通过用户研究得出，相较于先前在插值系统中应用 PSNR 和 SSIM，应使用 LPIPS 感知指标和 chamfer 线距离指标进行 2D 动画质量评估。

Nov, 2021

通过多层次引导和深度学习方法，我们提出了一种新型的动画插画网络，名为 FC-SIN，用于快速生成流畅的 2D 动画插画。在大规模数据集 STD-12K 上的综合实验证明，我们的方法优于现有的插值方法，并且我们的代码和数据集将公开提供。

Aug, 2023

我们提出一种新方法 AnimeInbet，将线绘图的中间过程构建为端点图，并将中间过程重新定位为图融合问题，从而有效地捕捉线绘图的稀疏性和独特结构，在保持细节的同时合成高质量、干净、完整的中间线绘图。

Sep, 2023

本研究提出一种真正的多帧插值器，它利用时间域的金字塔式网络一次性完成多帧插值任务，并使用放松的损失函数流估计过程和先进的基于三次样条的运动模型以提高插值精度，结果表明在 Adobe240 数据集上，所提出的方法生成视觉上令人满意的、时间上一致的帧，比当前最佳的即席方法在 PSNR 上提高 1.57db，模型体积减小 8 倍，速度快了 7.7 倍，并且可以轻松扩展以插入大量新的帧.

Jul, 2020

本文是一篇关于计算机视觉中视频插帧的研究，提出了一种基于不确定帧率和曝光时间的一般情况下视频插帧问题的解决方案。使用四个连续的清晰帧或两个连续的模糊帧，通过得出一般曲线运动轨迹公式的方法解决了现有视频帧插值方法只适用于特定时间先验的问题，并通过相邻运动轨迹中的约束定义了一种新的光流细化策略以提高插值结果。实验表明，一个训练良好的模型足以在复杂的实际情况下合成高质量的慢动作录像。

Dec, 2021

ToonCrafter 是一种创新的方法，通过逾越传统的基于对应的卡通视频插值，为生成插值铺平了道路。

May, 2024

本研究提出了一种新的框架，该框架可以通过光流估计学习引起模糊的像素级运动，然后将已解码的特征变形以估算的光流预测多个清晰的帧，从而以一种端到端的方式从运动模糊视频中去模糊、插值和外推锐化帧。

Mar, 2021

本研究提出了一种使用卷积神经网络对变长多帧视频插值进行建模，同时考虑运动解释和遮挡关系的方法，其中使用了 U-Net 架构计算输入时间序列帧之间的双向光流，并将其用于线性插值生成中间帧。我们的方法在多个数据集上进行实验，结果表明其表现优于现有方法。

Nov, 2017

通过基于已经训练好的可微分视频帧插值模块的优化框架进行视频预测，不需要训练数据集也不需要附加信息，并且在诸多数据集上取得了良好的预测结果。

Jun, 2022