本文介绍了一种基于卷积神经网络的 inbetweening 方法，该方法可直接处理扫描图像，无需显式计算线条的对应关系和拓扑变化，并在实际动画制作实验中得到了部分中间帧的良好生成效果。

Jun, 2017

本研究针对动画视频插帧问题，提出 AnimeInterp 框架，包括 Segment-Guided Matching 和 Recurrent Flow Refinement 模块，能够有效解决动画视频的颜色匹配和非线性动作问题，该方法在大规模动画三重奏数据集 ATD-12K 上表现优于现有最先进的插帧方法，并具有较优的视觉质量和鲁棒性。

Apr, 2021

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

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

本文提出一种创新的方法，将 Transformer 编码器和卷积特征相结合，从而减少了近 50% 的内存负担，在推理时间上比现有的基于 Transformer 的插值方法运行速度提高了近四倍，并引入双编码器架构来结合局部相关的卷积和远程相关的 Transformer。在复杂运动方面进行了定量评估，展示了所提出方法的鲁棒性，与最先进的插值网络相比，取得了竞争性能。

Jul, 2023

该论文利用深度神经网络将面部素描图像还原为照片级真实面部图像，采用半模拟数据集和深度学习技术，包括批处理规范化、深层残差学习、感知损失和随机优化。最后，通过艺术和犯罪学示例，展示了该方法的应用潜力。

Jun, 2016

本文提出了一种基于多尺度生成对抗网络的视频插帧算法（FIGAN），并通过构建粗到细的多尺度残差估计模块以及联合多级感知损失函数的方法，在算法效率和插帧视频的视觉质量两方面取得了较好的结果。

Nov, 2017

本文提出了一种基于对抗性递归神经网络的新型、稳健的过渡生成技术，可以作为 3D 动画师的新工具。系统合成了高质量的运动，使用时间稀疏的关键帧作为动画约束。我们提出了两种新的加性嵌入修饰符，它们被应用在网络架构中的潜在表示内，用于解决仅在未来关键帧添加调节信息时无法将状态 - of-the-art 的运动预测模型转换为稳健的过渡生成器的问题。为了定量评估我们的方法，我们在 Human3.6M 数据集的子集和适用于转换生成的新型佐佛摸捉数据集 LaFAN1 上提供了明确定义的中间演算基准。同时，本文还发布了这个新数据集和可重现我们基准结果的伴随代码。

Feb, 2021

本文提出了一种交互式的基于 GAN 的草图到图像的翻译方法，能够帮助新手用户创建简单物体的图像，通过引入基于门控机制的分类条件方法，可以在不混合特征的情况下从单个生成器网络中生成不同的类别。

Sep, 2019

通过使用一个深度卷积神经网络，将视频帧的插值过程作为一个单一卷积过程来处理，可以更好地解决运动估计质量的问题，并且能够优雅地处理一些挑战如遮挡，模糊和亮度变化，从而实现高质量的视频帧插值。

Mar, 2017