视频插帧—— RIFE 和 IFNet 的机制和应用

介绍

最近，数字和模拟技术开始加速融合。我们生活在一个人工智能技术能够显著提高质量的时代，只要模拟材料能够数字化。

例如，讨论中涉及到的纸艺软件，纸龙的移动模型被时间锁定，以大约 3 fps（每秒帧数）的速度创建视频。然而，无论连续拍摄多么细致，视频看起来都很不流畅。不过，利用不断发展的人工智能技术 RIFE（实时中间流估计），现在可以将这种 3 帧/秒的视频转换（插值）为甚至 24 帧/秒的视频。

图 1 延时视频与 RIFE 插值视频的对比

它看起来如何？人工智能技术不仅被用于生成，还被用作插值材料领域的一种新方法。

人工智能技术本身也使用神经网络等工具来提高质量。在这里，RIFE 利用中间流网络 (IFNet) 显著提高了中间帧插值的质量。

本文解释了 RIFE 和 IFNet 的工作原理，并提供了将低帧频视频转换（插值）为高帧频视频的具体示例。

用 RIFE 生成中间帧

本文讨论的 RIFE软件Flowframes是一种用于视频帧插值的实时中间流估计算法。传统方法是对双向帧的光流进行估计、缩放和反转，以近似中间流。然而，这种方法存在引入伪影（误差和失真）的问题。

为了改进性能，RIFE 使用一种名为 IFNet 的神经网络来直接、精细地估计中间流，并高速执行。参考文献[2]中的实验表明，RIFE 在多个基准测试中都达到了很高的性能，比传统方法快 4 到 27 倍。

这些数据将按以下步骤进行处理，生成中间帧。

获取输入帧

图 2 两幅连续画面（延时摄影画面 A 和画面 B）

输入两个连续的帧和以启动程序。

光流计算

两个连续帧之间的运动是通过光流来估算的。这提供了显示每个像素移动情况的矢量信息。图中显示了使用光流估算和可视化的帧前后运动。你可以看到很多矢量，显示前后帧之间的关系。

图 3-1 第 1 至第 2 帧光流的可视化效果

图 3-2 第 2 帧至第 1 帧光流的可视化效果

中间流量估算 (IFNet)

基于光流信息，IFNet 还可用于估算帧与帧之间的中间流，并了解每个像素的移动情况。

框架翘曲

根据估计的流量，每个帧都会向后扭曲，以获得图像和中间位置的图像。

生成融合图

使用融合图，将翘曲帧融合在一起，生成最终的中间帧。这就是以下公式所示的内容。

生成中间帧。

计算扭曲帧。

这种方法通常比其他方法更快，而且可以生成高质量的中间帧。

图 4 生成的中间帧

翘曲的含义

翘曲是指变换图像或视频中的像素。具体来说，它是指通过将像素从原始位置移动到新位置来转换图像或帧。这就像拉动或推动纸张图片以改变其形状一样。

什么是融合地图？

融合地图并不是人工智能的一种，它是人工智能创建的加权地图，是人工智能使用的类似工具的实体，如 IFNet。

融合图的作用是确定像素的融合程度。它提供了权重信息，说明在对每个像素进行扭曲处理后，应从帧（扭曲帧 A 或扭曲帧 B）中提取多少信息。

确定每个像素的权重，例如，一个像素的 70% 来自翘曲帧 A，30% 来自翘曲帧 B。这些权重信息用于融合两个帧并生成中间帧。

融合制图是一种将不同来源的数据融合在一起以创建新图像的方法。

'它将不同来源的数据结合起来，创造出新的图像，这一点与图像生成人工智能‘图像到图像’（Image to Image）相似。然而，生成式人工智能本身的作用和意义以及它所创建的工具却完全不同。

IFNet 概览及其运作方式

IFNet 是一个用于直接估算中间流（intermediate flow）的神经网络。该网络用于生成两个连续帧（如帧 A、帧 B）之间的中间帧。

例如，假设 IFNet 接收到连续的输入帧（帧 A 和帧 B）和时间间隔 (t)。然后，IFNet 会估算帧之间的中间流（像素移动）和融合图 (M)。然后，利用估算出的中间流对输入帧进行扭曲（变形），并通过融合图生成中间帧（融合图决定每个像素从哪个帧中获取多少信息）。

课程查找策略

生成过程采用一种称为 “流程到精细”（course-to-fine）的方法，即在低分辨率下粗略估算流量，然后随着分辨率的提高对流量进行细节修改。

IFNet 使用大量图像帧和特权蒸馏（PRD）进行训练。这使得它能够正确识别一定量的未知数据。

图 5：航迹到精细图像（低分辨率到高分辨率）

RIFE 和 IFNet 操作与图像到图像对比

每种方法都有不同的技术和方法，也有不同的目标。

RIFE 和 IFNet 合作生成中间帧。其目的之一是提高视频的流畅度，这也是该技术的重点所在。

图像到图像的图像生成人工智能 “专门从事图像转换”。它利用生成对抗网络（GAN）和扩散模型等典型实例，从输入图像生成新图像。该技术通过变换风格和改变属性（物体、人物、情感等）生成各种图像。

RIFE 和 IFNet 中间帧插值与变形技术的对比

主要区别在于方法和精度。

中间帧插值结合了光流（RIFE）和神经网络（IFNet、融合图），可实时生成极其精确和自然的中间帧。

而变形技术则主要利用形状变形来 "平滑 "两帧之间的变化。特征点之间的像素只是通过线性插值形成中间帧。这使得它处理复杂运动的能力受到限制。

图 6：变形示例。

实例

目前，除非图像与前一幅图像重叠约半帧，否则帧插值就会失败。不过，从 20 幅图像中，可以以 41 帧/秒的速度生成一段流畅的 3 秒视频，这是人工智能生成器的一项了不起的能力。

模拟材料被赋予了动态感和生命力，证实了使用生成式人工智能的艺术性。

以上是讨论中的一段话，但这种人工智能技术也不是万能的：对于两帧之间间隔较大的连续图像，插值是不完整的。这是因为物体位置和形状的变化太大，参考点的数量减少，使得光流等运动估计算法无法捕捉到运动。

当涉及旋转或复杂运动时，插值尤其困难。同样的道理也适用于物体在帧与帧之间时隐时现的视频。

不过，现在有一种名为 DAIN（深度感知视频帧插值）的帧插值技术，可以将深度信息考虑在内。未来的发展值得期待。

图 7 运动矢量短且不规则 → 中间帧不完整

总结

我们在本文中谈到了与质量改进相关的人工智能技术，比如那些幕后技术。最后，我们将引用一段话和一个视频示例来说明经过处理的讨论所表明的 “不可改变的想法”。

这些动感十足的纸艺作品是使用原创软件 "Paper Dragon "制作的，经过手工制作、组装、拍照，然后在数字环境中进行插值。作者深信，未来将通过数字-模拟-数字合作创造出新的表现技法。