用AI脑补慢动作，30帧秒变120帧，轻松看清“松果糖豆五连鞭”动作细节

　　如今，随着视频帧率需求的提升，高帧率视频因其更顺滑、流畅的播放效果，极大增强了观看体验。从传统的24FPS逐渐过渡到60FPS、240FPS乃至更高标准，视频技术正经历着快速迭代。尽管高帧率设备因高昂成本与巨大内存需求而未能广泛普及，但视频插帧技术的出现为解决这一问题提供了可能。

　　在众多插帧技术中，英伟达的AI“脑补”大法——Super SloMo，脱颖而出。即便原始视频仅拥有30FPS，Super SloMo也能将其提升至60FPS、240FPS乃至更高帧率，展现了其强大的性能。

传统插帧技术解析

　　为了深入理解Super SloMo，我们先来探讨几种传统的视频插帧方法：

帧采样：通过延长关键帧的显示时间来模拟插帧，虽能提升帧率，但并未真正增加内容，因此视觉提升有限。其优势在于资源消耗少、处理速度快，但可能导致视频流畅度不足。

帧混合：通过混合前后关键帧来生成新帧，尽管计算快速，但效果欠佳，运动物体轮廓在交叠时易产生模糊。

运动补偿（MEMC）：通过分析图像块的运动趋势来生成中间帧，有效减少运动抖动和画面拖尾，适用于电视、显示器和移动端。但在复杂背景下，可能出现运动边缘错误。

光流法：基于像素移动轨迹生成新帧，使画面更流畅，但对光线敏感，计算量大且耗时。

Super SloMo：AI插帧的里程碑

　　2018年CVPR大会上，英伟达发布的《Super SloMo: High Quality Estimation of Multiple Intermediate Frames for Video Interpolation》论文，介绍了这一革命性技术。Super SloMo利用深度神经网络，通过学习大量普通视频生成高质量慢动作视频。其核心在于两个全卷积神经网络U-Net：一个用于计算光流，另一个用于改善光流并预测柔性可见性映射关系，最终生成中间帧。这一方法能并行处理任意时间步长的插帧，突破了单帧插值的局限。

实践Super SloMo

　　尽管原论文作者未公开代码与数据集，但GitHub用户avinashpaliwal提供了Super SloMo的PyTorch实现。项目要求PyTorch 0.4.1、Python 3.6及NVIDIA显卡。此外，需安装ffmpeg提取视频帧。对于不愿自行搭建环境者，国内机器学习平台openbayes提供了从数据集到代码再到算力的完整教程，即便是初学者也能轻松上手。

教程指南

　　访问openbayes平台（https://openbayes.com/），在“公共资源”下选择“公共教程”，进入“Super-SloMo超级慢动作的PyTorch实现”。运行教程中的样例文件即可体验Super SloMo的补帧效果。用户也可替换自己的视频文件，调整“scale”参数来控制生成视频的倍速。

结语

　　Super SloMo作为AI插帧技术的典范，不仅展示了深度学习的强大潜力，也为视频处理领域带来了革新。随着技术的不断进步，我们有理由期待更多类似创新将逐渐融入日常生活，提升我们的视觉体验。