【趣味实践】自动补帧算法——RIFE的使用

前言

视频制作者往往对于高帧率的视频画面有所追求，因为更高帧率的画面意味着在相同时间内能够播放更多帧画面，意味着视频观感更为流畅。 本篇就来尝试一个开源的自动补帧算法——RIFE。

论文标题：RIFE: Real-Time Intermediate Flow Estimation for Video Frame Interpolation 论文地址：https://arxiv.org/pdf/2011.06294v5.pdf 论文中文翻译：https://blog.csdn.net/superbinlovemiaomi/article/details/121305931 开源代码：https://github.com/megvii-research/ECCV2022-RIFE

RIFE简介

RIFE是由北大和Megvii Inc的研究人员于2020年发表在ArXiv上的视频插帧算法，之后发表在ECCV2022。

在论文的开篇，作者就放了一张RIFE和其他补帧算法的效果比较图，纵坐标是PSNR(峰值信噪比)，从下图中可以看到，在不同帧率下，RIFE均取得了较好的效果。

RIFE的大致结构如下图所示：

输入两张相邻帧的图片到IFNet中，输出近似中间流(approximate intermediate flows)(类似光流法)，然后和第一帧的图片一起进行后向变形(Backward Warping)，得到两张预测图片，最后和第二帧的图片，一起经过一个融合过程(Fusion Process)，最终输出中间帧(第一帧和第二帧之间)的预测图片。

论文最后，作者给出了各算法详细的数据比较和可视化比较结果，可以看到RIFE基本处于领先地位，而且它在模型复杂度上也比其它模型要好很多。

更多具体细节不仔细研究了，需要进一步了解可以看原论文。

RIFE实践

下面就到快乐的实践环节，基于RIFE的应用有很多，为了开发便利，这里直接运行官方开源的Github版本。 克隆代码，配置环境不做细述。

配置好环境后，需要下载官方提供的模型，放置在train_log目录下。

之后，终端输入：

python inference_video.py --exp=1 --video=video.mp4

这里的exp是一个帧率倍数，exp=1表示将视频帧率修复为原来的2倍；exp=2表示将视频帧率修复为原来的4倍(

），以此类推。 video为视频路径。 稍等片刻，即可在输入视频的路径下得到新生成的视频。

效果演示

我这里用好友绘制的低帧素材进行测试。 原视频：https://www.bilibili.com/video/BV1Rt4y1L7Rb

AI补帧：RIFE效果演示

注：由于B站限制最高只能到60帧，因此96fps和192fps看不出差别。

视频中将RIFE的效果和PR自带的帧采样，光流法，帧混合效果进行对比，这三种补帧方式简介如下：

• 帧采样：在调整视频的播放速度之后，多出来的帧或空缺的帧按现有前后帧来生成。也就是复制前后帧。
• 光流法：软件根据上下帧来推断像素移动的轨迹，自动生成新的空缺帧。有点类似于运动模糊计算方法。
• 帧混合：混合上下两帧合并生成一个新的帧来填补空缺。

整体看下来RIFE补帧效果还是可以的，不过视频里存在一个小Bug：人物的左侧衣襟会“瞬移”到右侧，这主要是由于RIFE运用到了前后两帧的信息，两侧衣襟过于靠近且相似，造成了程序的误判。

附录：PR设置滑动变化效果

上面的演示视频中的滑动对比效果制作方式也简单记录下。 滑动效果核心是PR自带的视频过渡中的“划出”效果。

首先需要将素材按照下面时间轴的方式进行排布，滑动过程中需要两段素材有重叠。

然后将每一段字幕和素材进行嵌套：

最后添加划出效果，设置划出线条的颜色和粗细，拖动划出时间条如下图所示：

代码备份

RIFE源代码和模型文件备份如下： https://pan.baidu.com/s/1gmN_5K6Re324AyZIGMQLmA?pwd=8888