视频插帧是计算机视觉技术在视频增强领域的应用,目标是提高视频的帧率,增强视觉效果的连续性。受益于深度学习技术的快速发展,基于卷积神经网络的视频插帧技术近年来成为了重要的发展方向。目前,一系列结合了和光流估计和深度学习的方法代表了视频插帧领域的先进水平。然而,真实场景中许多复杂的场景。例如,细小物体的运动,对于光流估计和视频插帧都具有挑战性。为了增强模型运动估计的能力,进一步提升视频插帧的效果,提出了本文的光流模型和帧合成模型。本文的主要创新如下:(1)对实例归一化进行改进,提出了可逆实例归一化。针对本课题的硬件设备很难使用足够的批尺寸来支持批归一化的效果的问题,本课题改进了实例归一化容易丢失信息的问题,用于代替批归一化加速网络的训练。(2)提出了自适应密集变形层,用于代替目前光流网络中的标准组件后向变形-匹配代价卷结构。通过明确搜索匹配点和初始光流映射点之间的未知关系,减少对于单个像素而言的不确定性,有效改善了光流网络搜索匹配的效率。(3)引入特征注意力机制,并提出了分组误差,有效减少了搜索匹配过程中对匹配点特征降维过程中损失的有效信息,便于卷积神经网络区分不同匹配点的准确性。(4)在多个尺度上扭曲图像特征,减少了前向变形过程中原始图像信息的损失,为卷积神经网络复原中间帧提供了有效的信息,从而改善视频插帧的效果。