تُعد تقنيتا تقدير الحركة (Motion Estimation - ME) وتعويض الحركة (Motion Compensation - MC) هما العنصران الرئيسيان في أنظمة تداخل الإطارات الفيديو التقليدية على مدى العقود الماضية. في الآونة الأخيرة، أرسى الشبكات العصبية التلافيفية (Convolutional Neural Networks) نموذجًا جديدًا قائماً على البيانات لمعالجة تداخل الإطارات. ومع ذلك، فإن الطرق القائمة على التعلم الحالية تميل إلى تقدير أحد مكوني ME أو MC فقط، مما يؤدي إلى أداء محدود من حيث الكفاءة الحسابية والدقة في التداخل. في هذا العمل، نقترح شبكة عصبية تُشغَّل بواسطة تقدير الحركة وتعويض الحركة لمعالجة تداخل الإطارات الفيديو. ونُقدِّم طبقة تشويه تكيفية جديدة (Adaptive Warping Layer) تدمج بين التدفق البصري (Optical Flow) ونوافذ التداخل (Interpolation Kernels) لتركيب بكسلات الإطار المستهدف. وتتميز هذه الطبقة بأنها قابلة للتفاضل بالكامل، مما يسمح بتحسين شبكتي تقدير التدفق والنوافذ بشكل مشترك. يُستفيد منهجنا من البنية المدعومة نموذجيًا بـ ME وMC، مع تجنب التصميم اليدوي التقليدي من خلال التدريب على كميات كبيرة من البيانات الفيديو. مقارنة بالطرق الحالية، يُظهر منهجنا كفاءة حسابية عالية وقدرة على إنتاج نتائج مرئية أكثر جاذبية. علاوة على ذلك، يُعدّ معمارية MEMC إطارًا عامًا يمكن تكييفه بسلاسة لعدة مهام تحسين الفيديو، مثل التكبير العالي الدقة (Super-resolution)، وإزالة الضوضاء (Denoising)، وتجنب تأثيرات التقطيع (Deblocking). تُظهر التقييمات الكمية والكيفية الواسعة أن المنهج المقترح يتفوق على أحدث خوارزميات تداخل الإطارات وتحسين الفيديو في مجموعة واسعة من مجموعات البيانات.