摘要
视频帧插值（Video Frame Interpolation, VFI）目前是计算机视觉领域一个极为活跃的研究方向，广泛应用于计算机视觉、后期制作以及视频编码等多个场景。然而，当视频序列中包含大运动、遮挡或动态纹理等复杂情况时，VFI任务极具挑战性，现有方法往往难以提供具有良好感知质量的插值效果。针对这一问题，本文提出一种基于深度学习的新方法——ST-MFNet，其核心架构为时空多流（Spatio-Temporal Multi-Flow）网络。ST-MFNet引入了一种新型的多尺度多流预测器，用于估计从多帧到单帧的中间光流，再与传统的单对单光流相结合，从而有效捕捉大范围且复杂的运动模式。为提升对各类纹理的插值性能，该方法进一步采用三维卷积神经网络（3D CNN），在更长的时间窗口内建模内容的动态变化，增强对时间连续性的建模能力。此外，ST-MFNet在ST-GAN（Spatio-Temporal Generative Adversarial Network）框架下进行训练，该框架最初专为纹理合成设计，旨在进一步优化插值结果的感知质量。我们对所提出的方法进行了全面评估，将其与十四种当前最先进的VFI算法在多个具有代表性的测试数据集上进行对比。实验结果清晰表明，ST-MFNet在各类复杂场景下均显著优于现有基准方法，尤其在包含大运动和动态纹理的案例中，峰值信噪比（PSNR）提升最高可达1.09 dB。项目主页：https://danielism97.github.io/ST-MFNet。