本文提出了一种名为Framer的交互式帧插值方法，旨在根据用户的创造力在两幅图像之间生成平滑过渡的帧。该方法通过自定义关键点轨迹，解决了图像转换中的多样性问题，实现了更精细的局部运动控制。

该文综述多项视频复原研究：DeMFI-Net通过流引导注意力相关特征增强与递归增强，将低帧率模糊视频转为高帧率清晰视频；FGST利用光流矫正模糊并重复嵌入以建模长时依赖；MAFFSRN以特征融合和多注意实现轻量超分；此外还包括递归融合与可变形时空注意的视频还原、ST-Multi-Flow与ST-GAN帧插值、SAFA自适应子网络时空超分、FLAIR条件扩散修复人脸视频、MAFC运动自适应反馈、ASF-Net对准-移位-融合去雨及LARA数据集、STDANet结合流动与清晰度去模糊。

本文提出了一种新的时空视频上采样方法，利用深度学习网络框架融合视频超分辨率和帧插值，计算时间加快了7倍，参数数量减少30%，同时实现更好的定量和定性结果。

该研究提出了一种基于事件感知的运动去模糊和帧插值的统一框架，使用超低延迟来缓解运动模糊并实现中间帧预测。该方法在合成和真实世界数据集上均取得了显著的性能优势，是一种有效的去模糊技术方案。

该研究提出了一种基于事件感知的运动去模糊和帧插值的统一框架，使用超低延迟的事件来缓解运动模糊并实现中间帧预测。同时，该研究还提出了自监督学习框架，以实现对真实世界模糊视频和事件的网络训练。

该研究提出了一种基于事件感知的运动去模糊和帧插值的统一框架，通过超低延迟缓解运动模糊并实现中间帧预测。该框架利用可学习的双重积分网络和融合网络实现。同时，通过自监督学习框架，利用相邻模糊输入和同时发生的事件的信息进行网络训练。实验结果表明，该方法在合成和真实世界数据集上均取得了显著的性能优势，是一种有效的去模糊技术方案。