畫面插補

畫面插補在真實影格「之間」合成全新的影格，於是以 24 或 30 fps 拍攝的影片可平滑轉換成 60 或 120 fps，或放慢成清晰的慢動作。根本的挑戰在於：你正在發明從未被擷取的像素——要在某個中間時刻把內容正確地擺好，你必須弄清楚兩張相鄰影格之間萬物如何移動，再一致地算繪出那張中間視圖。

存在兩種主要策略。以光流為基礎的方法估計兩張輸入影格之間的雙向光流，再把兩張影格都扭曲（warp）到目標時刻 t（例如中點 t = 0.5）並加以混合；此處的進展包括線性與二次運動模型，以及 softmax 潑灑（softmax splatting，一種前向扭曲，能解決多個像素對映到同一處時誰勝出的問題）。以核為基礎的方法（AdaConv、SepConv）則為每個輸出像素學習一個隨空間變化的卷積核，不靠顯式光流就直接從一個鄰域生成新像素，這能優雅地處理小運動與模糊，卻在大位移時吃力。近期系統以 Transformer 或擴散先驗（diffusion prior）結合光流與合成。廣為使用的模型包括 DAIN（深度感知）、快速即時的 RIFE，以及 FILM（為大運動與近似重複照片而設計）。

其失效模式很有啟發性。遮擋與去遮擋（disocclusion）造成破洞——只在兩張影格其中之一可見的區域——純扭曲無法正確填補。大運動與非線性運動破壞了簡單線性混合背後的等速度假設，產生疊影（ghosting）與撕裂。運動模糊與亮度變化更進一步違反比對假設。品質以 PSNR 與 SSIM 衡量保真度、以 LPIPS 衡量感知真實度，但一個壞插補的明顯破綻是鬼影般的肢體、融化的邊緣，以及快速移動物體周圍的卡頓。