L’interpolation de trames basée sur les réseaux de neurones profonds (DNN) — qui consiste à générer des trames intermédiaires à partir de deux trames consécutives — repose généralement sur des architectures modèles complexes, caractérisées par un très grand nombre de paramètres, ce qui empêche leur déploiement sur des systèmes à ressources limitées, tels que les appareils mobiles. Nous proposons une architecture de réseau pilotée par la compression pour l’interpolation de trames (CDFI), qui exploite la compression par élagage (pruning) via une optimisation favorisant la sparsité afin de réduire de manière significative la taille du modèle tout en maintenant des performances supérieures. Plus précisément, nous commençons par compresser le modèle récent AdaCoF, en démontrant qu’une version compressée 10 fois plus petite atteint des performances comparables à celles du modèle original ; nous améliorons ensuite ce modèle compressé en introduisant un module de déformation multi-résolution, qui améliore la cohérence visuelle grâce à des détails à plusieurs niveaux. En conséquence, nous obtenons une amélioration notable des performances tout en réduisant la taille du modèle à un quart seulement par rapport à AdaCoF original. De plus, notre modèle se distingue favorablement par rapport aux autres méthodes de pointe sur une large gamme de jeux de données. Enfin, le cadre de compression proposé est générique et peut être facilement adapté à d'autres algorithmes d’interpolation de trames basés sur les DNN. Le code source est disponible à l’adresse suivante : https://github.com/tding1/CDFI.