要約
本論文では、極端な動きを含む1000fpsの4K動画データセット（X4K1000FPS）をビデオフレーム補間（VFI）の研究コミュニティに提供し、大規模な動きを持つ4K動画のVFIを処理するための新しいネットワーク、XVFI-Netを提案します。XVFI-Netは、2つの連続モジュールから構成される再帰的マルチスケール共有構造に基づいています。これらのモジュールは、2つの入力フレーム間の双方向光学フロー学習（BiOF-I）と、ターゲットフレームから入力フレームへの双方向光学フロー学習（BiOF-T）を行います。BiOF-Tモジュールで提案された補完的なフローリバーサル（CFR）により、光学フローが安定して近似されます。推論時には、BiOF-Iモジュールが任意のスケールから開始でき、BiOF-Tモジュールは元の入力スケールでのみ動作するため、高速な推論が可能になりつつも高精度なVFI性能を維持できます。広範囲にわたる実験結果から、我々のXVFI-Netは極めて大規模な動きと複雑なテクスチャを持つ物体の本質的な情報を成功裏に捉えることができることが示されています。一方で、最先端の手法では性能が著しく低下することが確認されました。さらに、我々のXVFI-Netフレームワークは以前の低解像度ベンチマークデータセットでも同等以上の性能を発揮しており、アルゴリズムの堅牢性も示されています。すべてのソースコード、事前学習済みモデルおよび提案されたX4K1000FPSデータセットは公開されており、以下のURLからアクセスできます: https://github.com/JihyongOh/XVFI.