胥 斌

中影華夏電影科技（北京）有限公司，北京 100088

1 引言

隨著新技術(shù)的不斷演進(jìn)和電影產(chǎn)業(yè)的不斷發(fā)展，觀眾對(duì)于電影拍攝、制作、發(fā)行、放映質(zhì)量的要求越來(lái)越高，目前數(shù)字電影系統(tǒng)能支持高幀率（HFR）、高動(dòng)態(tài)范圍（HDR）影片的放映。因此，為充分發(fā)揮新型放映設(shè)備性能，滿足觀眾更高觀影需求，開(kāi)展幀率提升和技術(shù)增強(qiáng)研究，是當(dāng)前較為急迫的研究需求[1]。目前電影主流幀率是24FPS，高幀率電影一般指幀率不低于60FPS 的電影。隨著電影高新技術(shù)格式制作放映技術(shù)特別是高幀率（HFR）技術(shù)的發(fā)展，60FPS 格式的影片由于應(yīng)用了高幀率技術(shù)，有效緩解了圖像卡頓、畫面閃爍的情況，為觀眾提供了更好的觀影體驗(yàn)。如何在鏡頭釋義不變的前提下將24FPS影片轉(zhuǎn)換為60FPS 影片，是當(dāng)前電影技術(shù)領(lǐng)域的研究難點(diǎn)和熱點(diǎn)。近年來(lái)，基于AI 插幀算法的研究已取得一定進(jìn)展，但所采用的插幀算法可能會(huì)帶來(lái)電影畫面節(jié)奏的畸變，進(jìn)而影響鏡頭的正確釋義，所開(kāi)展的研究基于圖像運(yùn)動(dòng)特性的針對(duì)性研究、設(shè)計(jì)和改進(jìn)建議。本文所關(guān)注的幀率增強(qiáng)并非廣泛意義上的幀率變換，而是特定的24FPS 到60FPS 電影幀率變換。

目前的AI插幀算法相較于傳統(tǒng)的插幀算法已經(jīng)取得了重大突破。2019 年，由Bao 提出的深度感知視頻幀插值方法（Depth-Aware Video Frame Interpolation，DAIN）引發(fā)了學(xué)術(shù)界對(duì)于視頻插幀的大量關(guān)注。該方法采用了一種新穎的深度感知機(jī)制，可以很好地解決運(yùn)動(dòng)模糊和遮擋等問(wèn)題[2]。同年，Xu 等提出了視頻插幀算法（Quadratic Video Interpolation，QVI），建立了光流反向搜索機(jī)制，在視覺(jué)效果和數(shù)據(jù)指標(biāo)等方面均取得了重大提升[3]。2022 年，Huang 等提出了實(shí)時(shí)中間流估計(jì)算法（Real-Time Intermediate Flow Estimation，RIFE），使用多尺度迭代的方式計(jì)算插幀光流，具有較高的運(yùn)行速度和較好的視覺(jué)效果[4]。2023 年由Kalluri 等人提出基于非光流視頻表示的插幀算法（Flow-Agnostic Video Representation，F(xiàn)LAVR）。FLAVR 算法采用了3D 卷積，是第一個(gè)端到端的視頻插幀網(wǎng)絡(luò)，其可以很好地處理復(fù)雜的運(yùn)動(dòng)場(chǎng)景和物體邊緣模糊等問(wèn)題[5]。

盡管AI 插幀算法具備較好的技術(shù)優(yōu)勢(shì)，但其在電影領(lǐng)域的應(yīng)用仍然存在以下問(wèn)題：

（1）現(xiàn)有AI插幀算法都不支持非整數(shù)倍插幀，想要實(shí)現(xiàn)24FPS 到60FPS 的2.5 倍插幀，只有兩種等效方案：一是采用“2-1-2-1”非等間隔方式插幀；二是將24FPS 先降為12FPS，再進(jìn)行5 倍等間隔插幀。以上兩種方案均存在一定局限性，其中第一種方案會(huì)帶來(lái)運(yùn)動(dòng)特性失調(diào)的現(xiàn)象，導(dǎo)致電影節(jié)奏變形；第二種方案插幀效果非常受限，并且沒(méi)有充分利用原始幀。因此，現(xiàn)有的AI 插幀算法無(wú)法很好支持24FPS到60FPS的幀率變換。

（2）目前大部分AI 插幀算法都假定兩幀之間的運(yùn)動(dòng)是均勻的，其中一部分甚至并沒(méi)有對(duì)運(yùn)動(dòng)信息做顯性建模，這種設(shè)計(jì)模式導(dǎo)致插幀結(jié)果的運(yùn)動(dòng)特性趨于均勻化。如果鏡頭運(yùn)動(dòng)本身是抖動(dòng)或者劇烈的，那么該算法的插幀結(jié)果會(huì)抹除這種鏡頭運(yùn)動(dòng)的節(jié)奏。還有一小部分以QVI 為代表的插幀算法雖然對(duì)幀間運(yùn)動(dòng)有所建模，但由于其一方面只適用于4幀輸入的場(chǎng)景，另一方面這類算法會(huì)使用兩套參數(shù)描述同一段幀間運(yùn)動(dòng)，這會(huì)導(dǎo)致運(yùn)動(dòng)信息混亂，從而打亂插幀后的運(yùn)動(dòng)節(jié)奏。

為了解決上述問(wèn)題，本文提出一種能夠應(yīng)用于高新技術(shù)格式電影制作且可保持運(yùn)動(dòng)信息一致的插幀算法。本文算法通過(guò)對(duì)連續(xù)三幀的運(yùn)動(dòng)模型進(jìn)行建模，并將該模型適配到每個(gè)輸入幀，以使整個(gè)序列的運(yùn)動(dòng)模型統(tǒng)一。同時(shí)根據(jù)運(yùn)動(dòng)信息自動(dòng)選擇插幀間隔，保證在非整數(shù)倍插幀操作時(shí)不會(huì)改變運(yùn)動(dòng)特性。

2 技術(shù)流程設(shè)計(jì)和算法實(shí)現(xiàn)

2.1 流程設(shè)計(jì)

插幀算法的技術(shù)流程見(jiàn)圖1。

圖1 插幀算法流程圖

算法共分為光流模塊、運(yùn)動(dòng)分析模塊和幀合成模塊三個(gè)部分，其中運(yùn)動(dòng)分析模塊為本文所提出的獨(dú)有模塊。首先，光流網(wǎng)絡(luò)用于計(jì)算兩個(gè)輸入幀之間的光流，光流信息可以看作是兩個(gè)輸入幀之間的像素位移量。通過(guò)光流網(wǎng)絡(luò)，計(jì)算第一幀到第二幀的光流為F12，以此類推可以計(jì)算得到F21、F23、F32。這四個(gè)光流為第一階段的輸出。之后，將第一階段的光流輸入到運(yùn)動(dòng)分析模塊，計(jì)算三幀內(nèi)的運(yùn)動(dòng)特性，輸出t 時(shí)刻的初始光流。這里t 分別取[0.4，0.8，1.2，1.6]四個(gè)值，其含義為：如果假設(shè)第一幀和第二幀之間的時(shí)間間隔為1，則算法需要對(duì)第一幀到第三幀內(nèi)的0.4、0.8、1.2 以及1.6 時(shí)刻進(jìn)行插幀。最終根據(jù)運(yùn)動(dòng)分析模塊的初始光流信息，使用幀合成模塊計(jì)算得到t時(shí)刻的插幀結(jié)果。

2.1.1 光流模塊

光流模塊主要輸出輸入幀之間的初始光流，初始光流的計(jì)算由光流神經(jīng)網(wǎng)絡(luò)（Optical Flow Neural Network）完成。本文所用光流神經(jīng)網(wǎng)絡(luò)采用基于深度學(xué)習(xí)的全局運(yùn)動(dòng)聚合光流神經(jīng)網(wǎng)絡(luò)（Global Motion Aggregation，GMA）[6]。GMA 的輸入為兩張圖像，通過(guò)計(jì)算兩幅圖的相關(guān)性，迭代求解得到輸入圖像之間的光流。其功能可以通過(guò)式（1）表示，其中I1、I2、I3分別表示輸入的第1、2、3幀。

2.1.2 運(yùn)動(dòng)分析模塊

運(yùn)動(dòng)分析模塊首先以中間幀的光流F21和F23作為標(biāo)準(zhǔn)，使用二次軌跡對(duì)運(yùn)動(dòng)信息進(jìn)行建模，進(jìn)而得到二次模型的參量，并傳遞到F12以及F32上，使得在三幀整體區(qū)間內(nèi)的運(yùn)動(dòng)信息保持穩(wěn)定和一致。最終，根據(jù)運(yùn)動(dòng)軌跡方程計(jì)算t 時(shí)刻的光流信息作為輸出（圖2）。圖2 中XY 坐標(biāo)系中的黑色線條為畫面中一個(gè)點(diǎn)的運(yùn)動(dòng)軌跡，在實(shí)際場(chǎng)景中，運(yùn)動(dòng)軌跡并非是直線，而是一條曲線。為了建模這條曲線，以中間幀I2為起點(diǎn)，計(jì)算I2分別指向I1和I3的光流為F21和F23，從而求解得到軌跡的運(yùn)動(dòng)參數(shù)，進(jìn)而實(shí)現(xiàn)運(yùn)動(dòng)分析的計(jì)算。

圖2 光流物理意義可視化

在運(yùn)動(dòng)分析模塊內(nèi)部，F(xiàn)21和F23有較為明確的物理意義，即第二幀上的點(diǎn)必定處在向第一幀和第三幀移動(dòng)的軌跡上，且其光流表征了中間時(shí)刻的位移量。根據(jù)這一特性，對(duì)運(yùn)動(dòng)軌跡做二次項(xiàng)建模，即假設(shè)運(yùn)動(dòng)軌跡最高為時(shí)間t 的二階高斯展開(kāi)，如式（2）所示。

將t=1 帶入，可求得時(shí)間的二階系數(shù)A2，其表征了第二幀上點(diǎn)的運(yùn)動(dòng)特性，將A2分別傳遞到第一幀和第三幀得到A1和A3，A2到A1的傳遞公式如式（3）所示。

其中η表示以x+F12(x,y,0),y+F12(x,y,1)為中心的2×2 的像素鄰域；C(a,b,c,d)代表計(jì)算并返回(a,b）與(c,d)兩點(diǎn)之間的雙線性系數(shù)。A2到A3的傳遞公式類似，在此不再贅述。將A2帶入式（4），求得第二幀和第三幀之間的軌跡方程如式（4）所示。同理可以寫出第一幀和第三幀的運(yùn)動(dòng)軌跡方程如式（5）所示。

在運(yùn)動(dòng)分析模塊內(nèi)部，適配t 的取值[0.4，0.8，1.2，1.6]，根據(jù)式（4）和式（5）可計(jì)算得到指向t 時(shí)刻的兩支光流將用于后續(xù)插幀結(jié)果的合成。

2.1.3 幀合成模塊

幀合成模塊流程如圖3 所示，該模塊首先對(duì)I1、I2、I3進(jìn)行深度特性提取，根據(jù)t 時(shí)刻初始光流將I1、I2、I3及其對(duì)應(yīng)圖像特征映射到t 時(shí)刻，根據(jù)映射后的內(nèi)容，將其以張量形式輸入到神經(jīng)網(wǎng)絡(luò)中，得到最終的插幀結(jié)果。

圖3 幀合成流程

2.2 算法實(shí)現(xiàn)與模型訓(xùn)練

得益于運(yùn)動(dòng)分析模塊的設(shè)計(jì)，訓(xùn)練階段網(wǎng)絡(luò)部分無(wú)需再處理非整數(shù)倍插幀，因此這里采用與QVI相同的數(shù)據(jù)集作為數(shù)據(jù)訓(xùn)練集。該數(shù)據(jù)集原始數(shù)據(jù)包含173 個(gè)視頻片段，涵蓋了多個(gè)類型的運(yùn)動(dòng)場(chǎng)景。數(shù)據(jù)集將所包含的視頻拆解成36926 個(gè)序列幀，而這些序列幀所對(duì)應(yīng)的幀率為240FPS。在訓(xùn)練過(guò)程中，實(shí)驗(yàn)擬使用8倍插幀的模式對(duì)算法進(jìn)行訓(xùn)練，即算法的輸入和輸出對(duì)應(yīng)幀率分別為30FPS和240FPS。

訓(xùn)練共分為兩個(gè)階段。第一個(gè)階段固定光流網(wǎng)絡(luò)權(quán)重，只訓(xùn)練幀合成模塊部分的網(wǎng)絡(luò)權(quán)重。該階段訓(xùn)練共100 輪，每一輪均使用完整的Youtube960數(shù)據(jù)集進(jìn)行監(jiān)督學(xué)習(xí)，學(xué)習(xí)率為0.0001。同時(shí)，采用L1 損失函數(shù)進(jìn)行監(jiān)督。第二個(gè)階段對(duì)算法內(nèi)所有權(quán)重進(jìn)行訓(xùn)練更新，將訓(xùn)練50 輪，其中前25 輪學(xué)習(xí)率為1e-5，后25 輪學(xué)習(xí)率為1e-6。此階段采用學(xué)習(xí)感知圖像塊相似度(Learned Perceptual Image Patch Similarity，LPIPS)[7]函數(shù)進(jìn)行監(jiān)督。

3 實(shí)驗(yàn)驗(yàn)證及結(jié)果評(píng)估

針對(duì)算法的測(cè)試分為對(duì)算法的詳細(xì)評(píng)估和針對(duì)插幀后運(yùn)動(dòng)特性的分析，以證明插幀前后運(yùn)動(dòng)特性保持了一致性。

3.1 非整數(shù)倍插幀評(píng)估

這一部分展示了算法在非整數(shù)插幀的表現(xiàn)，實(shí)驗(yàn)對(duì)應(yīng)用DAIN、QVI、FLAVR 和RIFE 四種方法后的結(jié)果進(jìn)行了對(duì)比分析，無(wú)論定量或定性分析的結(jié)果都表明本文算法較之其他插幀算法的效果表現(xiàn)更優(yōu)，其中RIFE 版本V4.6（最新版）作為評(píng)估對(duì)象。

（1）數(shù)據(jù)集處理

為了模擬非整數(shù)倍插幀的實(shí)際應(yīng)用場(chǎng)景，本文選用了GoPro 數(shù)據(jù)[8]中240FPS 數(shù)據(jù)集作為測(cè)試數(shù)據(jù)集。GoPro 數(shù)據(jù)集是2017 年建立的計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)標(biāo)準(zhǔn)公開(kāi)數(shù)據(jù)集，是多個(gè)視覺(jué)任務(wù)中的評(píng)估數(shù)據(jù)集。使用GoPro 拍攝的實(shí)采數(shù)據(jù)集中包含了約3000 組數(shù)據(jù)對(duì)。筆者對(duì)GoPro 數(shù)據(jù)集中的測(cè)試集分別進(jìn)行10 倍和4 倍幀率下采樣，得到24FPS 和60FPS兩組圖像序列，固定其分辨率為1280×720，并將作為評(píng)估非整數(shù)倍插幀的基準(zhǔn)數(shù)據(jù)。

（2）評(píng)估指標(biāo)與方法

實(shí)驗(yàn)使用PSNR[9]、SSIM[10]作為插幀結(jié)果的評(píng)價(jià)指標(biāo)，評(píng)價(jià)指標(biāo)越高則表示圖像畫質(zhì)越好。為了保證實(shí)驗(yàn)的公平性，評(píng)估階段排除訓(xùn)練階段已經(jīng)使用的Youtube960 數(shù)據(jù)集，采用GoPro 數(shù)據(jù)集作為評(píng)估數(shù)據(jù)集。使用GoPro-24FPS 序列作為輸入序列，并與GrPro-60FPS 序列進(jìn)行對(duì)比。由于DAIN、QVI、FLAVR 以及RIFE 并不支持非整數(shù)倍插幀，因此在評(píng)估過(guò)程中，統(tǒng)一采用先插兩幀再插一幀相互交替的模式進(jìn)行運(yùn)算。在計(jì)算數(shù)值指標(biāo)時(shí)，本文將去除完全對(duì)齊幀（即時(shí)間對(duì)齊狀態(tài)的輸入幀）之后所有幀的定量指標(biāo)作為參考依據(jù)。

評(píng)估結(jié)果如表1 所示，本文所提出的方法在兩個(gè)參數(shù)指標(biāo)方面均具有明顯優(yōu)勢(shì)，在非整數(shù)倍插幀任務(wù)中可以更好地展現(xiàn)幀間運(yùn)動(dòng)特性，視覺(jué)比較結(jié)果如圖4 所示，從左到右分別為DAIN、QVI、FLAVR、RIFE、本文結(jié)果以及真值結(jié)果。其中紅色框區(qū)域內(nèi)，本文結(jié)果顯著優(yōu)于其他插幀結(jié)果；綠色框區(qū)域內(nèi)，本文結(jié)果與真值相近，優(yōu)于QVI 以及FLAVR。此外，本文解決方案在物體完整度、清晰度方面都具有更好的表現(xiàn)，因此插幀性能表現(xiàn)更加優(yōu)異。

表1 非均勻插幀GoPro 數(shù)據(jù)集定量結(jié)果

圖4 非整數(shù)倍插幀視覺(jué)效果對(duì)比圖

3.2 運(yùn)動(dòng)一致性評(píng)估

原始的運(yùn)動(dòng)特性由GoPro 60FPS 數(shù)據(jù)提取得到，插幀后的運(yùn)動(dòng)特性由插幀后的序列幀提取得到。運(yùn)動(dòng)特性信息可以由物體的運(yùn)動(dòng)軌跡來(lái)表征。如圖5(a)所示，在圖像隨機(jī)選取一個(gè)點(diǎn)作為追蹤對(duì)象，分別計(jì)算這個(gè)點(diǎn)在每一個(gè)幀的位置信息，然后將其在二維坐標(biāo)系中使用有向線條連接，得到最終的運(yùn)動(dòng)軌跡。其中，紅色線為原圖(30，250)處的真實(shí)軌跡，綠色線和藍(lán)色線分別為RIFE 以及本文算法該點(diǎn)的插幀軌跡。從軌跡形狀圖的角度，本文算法所對(duì)應(yīng)的軌跡與真實(shí)值的軌跡更為接近，保留了真實(shí)軌跡所對(duì)應(yīng)的運(yùn)動(dòng)趨勢(shì)。圖5(b)為RIFE 以及本文算法在4個(gè)連續(xù)合成幀中位置與真實(shí)值的距離，根據(jù)定量結(jié)果，本文的軌跡誤差小于RIFE 的軌跡誤差。因此評(píng)估結(jié)果表明，本文算法的復(fù)原軌跡與真實(shí)軌跡更加接近。

圖5 軌跡可視化對(duì)比

3.3 小結(jié)

該算法主要包括以下兩個(gè)方面的嘗試：

（1）我們通過(guò)利用大量已配對(duì)的圖像序列對(duì)，訓(xùn)練了一個(gè)深度學(xué)習(xí)模型，實(shí)現(xiàn)了基于電影數(shù)據(jù)的深度學(xué)習(xí)模型訓(xùn)練與推理。該模型可以根據(jù)輸入的前后兩幀圖像，自動(dòng)計(jì)算出中間幀的光流信息，從而實(shí)現(xiàn)影片的自動(dòng)插幀。這一技術(shù)的研發(fā)成果，將極大地改善高新技術(shù)格式電影制作過(guò)程的質(zhì)量和效率。

（2）我們還針對(duì)電影應(yīng)用特性的光流算法進(jìn)行了優(yōu)化，解決了從24FPS 提升到60FPS 時(shí)所呈現(xiàn)的運(yùn)動(dòng)感官異常問(wèn)題。這種設(shè)計(jì)的獨(dú)特之處在于，它不僅考慮了拍攝內(nèi)容本身，還將鏡頭的運(yùn)動(dòng)也納入到了計(jì)算范疇。因此，這種設(shè)計(jì)直接以觀眾的視覺(jué)體驗(yàn)為主導(dǎo)衡量因素，從而為觀眾帶來(lái)更加真實(shí)、流暢的電影視覺(jué)感受。

針對(duì)所提出的AI 插幀技術(shù)，我們進(jìn)行了大量的實(shí)驗(yàn)驗(yàn)證，結(jié)果表明該技術(shù)能夠有效地提高影片的質(zhì)量和流暢度。與傳統(tǒng)的插幀技術(shù)相比，該技術(shù)具有更高的自動(dòng)化程度和更低的誤差率，同時(shí)計(jì)算效率也得到了大幅提升。總體來(lái)說(shuō)，本研究為數(shù)字電影高新技術(shù)格式制作提供了新的思路和方法，為電影制作帶來(lái)了更多的可能性。在未來(lái)的研究中，我們將進(jìn)一步深入研究AI插幀技術(shù)和其他先進(jìn)的數(shù)字電影制作技術(shù)，以期在更廣泛的領(lǐng)域中實(shí)現(xiàn)應(yīng)用和推廣。

4 總結(jié)與展望

隨著科技的不斷發(fā)展，高新技術(shù)格式制作已經(jīng)成為電影行業(yè)的重要趨勢(shì)。插幀技術(shù)是數(shù)字電影制作過(guò)程中提高影片幀率的重要手段之一。然而，傳統(tǒng)的插幀技術(shù)存在諸多限制，例如需要大量手動(dòng)調(diào)整、耗費(fèi)時(shí)間較長(zhǎng)、難以實(shí)現(xiàn)自動(dòng)化等。因此，本文首次提出了一種基于深度學(xué)習(xí)和光流算法的數(shù)字電影高新技術(shù)格式制作AI 插幀技術(shù)，旨在解決傳統(tǒng)插幀技術(shù)的不足之處，從而提高影片制作效率和觀影體驗(yàn)。本文通過(guò)對(duì)連續(xù)幀的運(yùn)動(dòng)特性進(jìn)行建模，實(shí)現(xiàn)了2.5 倍的非整數(shù)倍幀率增強(qiáng)，確保在插幀前后鏡頭運(yùn)動(dòng)特性的一致性，為非整數(shù)倍插幀時(shí)非均勻采樣帶來(lái)的運(yùn)動(dòng)異常問(wèn)題提出了技術(shù)解決方案。通過(guò)進(jìn)行實(shí)際的系統(tǒng)搭建并驗(yàn)證實(shí)驗(yàn)數(shù)據(jù)，其結(jié)果表明本文算法是表現(xiàn)更好的AI電影插幀算法。

在未來(lái)的研究中，我們將以AI 插幀的光流估計(jì)與匹配技術(shù)作為基礎(chǔ)技術(shù)基石，深化和拓展AI 在電影行業(yè)的應(yīng)用，具體為以下幾個(gè)方面：

（1）拓展應(yīng)用領(lǐng)域

除了數(shù)字電影高新技術(shù)格式制作，AI 插幀技術(shù)在電影行業(yè)中有著廣泛的應(yīng)用前景，如影片修復(fù)[11][12]、3D 影片制作[13][14]、虛擬現(xiàn)實(shí)(VR)影片制作[15][16]等。在影片修復(fù)中，可以利用AI 插幀技術(shù)自動(dòng)識(shí)別和修復(fù)老舊影片中的抖動(dòng)、晃動(dòng)等問(wèn)題，提高影片觀看體驗(yàn)；在3D 影片制作中，AI 插幀技術(shù)可以為制片方提供自動(dòng)化生成3D 立體效果，提高制作效率；在虛擬現(xiàn)實(shí)(VR)影片制作中，該技術(shù)可以自動(dòng)生成高質(zhì)量的VR 影片，為觀眾帶來(lái)沉浸式的觀影體驗(yàn)。

（2）持續(xù)推進(jìn)技術(shù)迭代升級(jí)

盡管本研究已經(jīng)取得了一定的成果，但我們認(rèn)為AI 插幀技術(shù)還有很大提升空間。例如，在深度學(xué)習(xí)模型的訓(xùn)練過(guò)程中，我們可以采用更復(fù)雜的模型結(jié)構(gòu)，亦或嘗試新的光流估計(jì)方法[17][18]，以提高插幀的計(jì)算精度。由于光流的估計(jì)算法往往作為單獨(dú)的研究課題，因此在本文中并沒(méi)有針對(duì)光流估計(jì)本身做定制化優(yōu)化，而是將其作為基礎(chǔ)模塊對(duì)本文算法提供技術(shù)支撐。

（3）結(jié)合其他先進(jìn)技術(shù)

數(shù)字電影高新技術(shù)格式制作是一個(gè)涉及多個(gè)領(lǐng)域的綜合性領(lǐng)域，除了AI插幀技術(shù)本身的應(yīng)用外，可以將AI 插幀技術(shù)與現(xiàn)有的圖像增強(qiáng)、視頻編碼[19][20]等技術(shù)進(jìn)行結(jié)合，以解決自動(dòng)識(shí)別并修復(fù)影片中的噪點(diǎn)、色彩失真等問(wèn)題，提高影片的視覺(jué)效果和觀看體驗(yàn)。另外，筆者還可以將AI 插幀技術(shù)與視頻編碼技術(shù)相結(jié)合，實(shí)現(xiàn)更加高效的影片壓縮和存儲(chǔ)。通過(guò)探索這些技術(shù)的綜合應(yīng)用和提升，筆者可以進(jìn)一步推動(dòng)數(shù)字電影制作領(lǐng)域的進(jìn)步和發(fā)展。

（4）加強(qiáng)實(shí)踐及推廣應(yīng)用

雖然本研究從學(xué)術(shù)的理論角度對(duì)基于AI的電影插幀進(jìn)行了論證，但在實(shí)際應(yīng)用中基于AI 的電影插幀仍然有需要驗(yàn)證和完善的空間。因此，筆者將積極尋求與相關(guān)企業(yè)和機(jī)構(gòu)合作，將所研究的AI 插幀技術(shù)應(yīng)用到實(shí)際的數(shù)字電影制作中（包含且不限于母版制作、特殊版本發(fā)行等），并對(duì)其效果進(jìn)行評(píng)估和完善。此外，筆者還將關(guān)注電影行業(yè)的市場(chǎng)需求和技術(shù)發(fā)展趨勢(shì)，深入了解制片方、導(dǎo)演、演員等各方的需求，從而將研究成果與實(shí)際應(yīng)用相結(jié)合，推動(dòng)AI插幀技術(shù)在電影行業(yè)得到更廣泛的應(yīng)用。

總之，本研究旨在為數(shù)字電影高新技術(shù)格式制作提供一種新的、高效的、自動(dòng)化的插幀技術(shù)解決方案。筆者仍然認(rèn)為該領(lǐng)域具有廣闊的發(fā)展前景和潛力。在未來(lái)的研究中，筆者將繼續(xù)深入探索該領(lǐng)域中的其他先進(jìn)技術(shù)以期為數(shù)字電影制作帶來(lái)更多的創(chuàng)新和突破。