Zusammenfassung. Wir präsentieren tiefes bayessches Video-Frame-Interpolation, einen neuartigen Ansatz zur zeitlichen Aufwärtsskalierung von Videos mit niedriger Bildwiederholfrequenz auf eine höhere Bildwiederholfrequenz. Unser Ansatz lernt a posteriori-Verteilungen von optischen Flüssen und interpolierten Bildern, wobei die Optimierung mittels gelerntem Gradientenabstieg für eine schnelle Konvergenz sorgt. Jeder gelernte Schritt ist ein leichtgewichtiges Netzwerk, das die Gradienten der Log-Wahrscheinlichkeit der geschätzten Bilder und Flüsse manipuliert. Diese Gradienten, die entweder explizit oder implizit parametrisiert sind, modellieren die Genauigkeit der aktuellen Schätzungen, indem sie die Übereinstimmung der realen Bild- und Flussverteilungen mit den Eingabebetrachtungen erklären. Mit diesem Ansatz erreichen wir neue Rekorde auf 8 von 10 Benchmarks, wobei die verwendete Architektur nur die Hälfte der Parameter des derzeitigen Standes der Technik besitzt.