تعزز التداخل الفيديو (Video Interpolation) الدقة الزمنية لسلسلة فيديو من خلال تصنيع الإطارات الوسيطة بين إطارين متتاليين. نقترح خوارزمية جديدة للاستيفاء الفيديو تعتمد على التعلم العميق، وتستند إلى تقدير الحركة الثنائية. أولاً، نطور شبكة الحركة الثنائية باستخدام حجم التكلفة الثنائي لتقدير الحركات الثنائية بدقة. ثم نقرب الحركات ثنائية الاتجاه لتنبؤ بتصنيف مختلف من الحركات الثنائية. بعد ذلك، نُحَوِّل الإطارات المدخلة باستخدام الحركات الثنائية المقدرة. ثم نطور شبكة توليد المرشحات الديناميكية لإنتاج مرشحات مزج ديناميكية. وأخيرًا، نجمع الإطارات المحوَّلة باستخدام المرشحات الديناميكية المزجية لإنتاج الإطارات الوسيطة. تُظهر النتائج التجريبية أن الخوارزمية المقترحة تتفوق على خوارزميات الاستيفاء الفيديو الرائدة في عدة مجموعات بيانات معيارية.