الاستيفاء الإطاري المستند إلى الشبكات العصبية العميقة (DNN)—والذي يُولِّد الإطارات المتوسطة بناءً على إطارين متتاليين—يعتمد عادةً على هياكل نماذج ثقيلة تحتوي على عدد كبير جدًا من الميزات، ما يمنع تطبيقها على الأنظمة ذات الموارد المحدودة، مثل الأجهزة المحمولة. نقترح تصميم شبكة مدعوم بالضغط (CDFI) للإسقاط الإطاري، يعتمد على تقليل حجم النموذج من خلال تقنية التقطيع (pruning) التي تُحفّز على التفرع (sparsity-inducing optimization)، مما يقلل بشكل كبير من حجم النموذج مع تحقيق أداءً متفوقًا. بشكل محدد، نقوم أولاً بضغط النموذج الأخير المُقترح، AdaCoF، ونُظهر أن النموذج المُضغوط بعشرة أضعاف يؤدي أداءً مشابهًا للنموذج الأصلي؛ ثم نُحسّن هذا النموذج المُضغوط أكثر من خلال إدخال وحدة تبديل متعددة المعايير (multi-resolution warping module)، التي تعزز الاتساق البصري مع تفاصيل متعددة المستويات. وبنتيجة ذلك، نحقق تحسنًا كبيرًا في الأداء مع احتفاظنا بحجم فقط ربع حجم النموذج الأصلي AdaCoF. علاوةً على ذلك، يؤدي نموذجنا أداءً متميزًا مقارنةً بغيره من أحدث التقنيات في مجموعة واسعة من مجموعات البيانات. وأخيرًا، يُعد الإطار المدعوم بالضغط الذي نقترحه عامًّا ويمكن نقله بسهولة إلى خوارزميات أخرى قائمة على الشبكات العصبية العميقة للإسقاط الإطاري. يمكن الوصول إلى الكود المصدري الخاص بنا عبر الرابط: https://github.com/tding1/CDFI.