[Paper Review] Video Frame Interpolation via Adaptive Convolution

•Download as PPTX, PDF•

1 like•383 views

H

Paper Review: Video Frame Interpolation via Adaptive Convolution

Video Frame Interpolation via Adaptive
Convolution
작은논문읽기 모임 2018-1-3nd
영상 및 비디오 패턴 인식 연구실 이형민

무슨 논문인가
• Niklaus, Simon, Long Mai, and Feng Liu. "Video frame interpolation via adaptive convolution." CVPR. Vol. 2. No. 4. 2017.
• Video의 각 Frame 사이의 중간 Frame을 채워 넣는 알고리즘
• Time축 Superresolution이라고 생각하면 된다.
• 기존의 방식들과는 다르게 Adaptive Convolution이라는 방법을 도입

무슨 논문인가

기존의 Frame Interpolation
Motion Estimation + Pixel Synthesis
Optical Flow
Optical Flow  2로 나누기  Frame 복원

Optical Flow 기반 Frame Interpolation...
Occlusion에 강인하지 못하다

Frame Interpolation via Convolution
Target Pixel에서 필요로 하는 정보는 앞뒤 프레임의 근처 픽셀들이 갖고 있을
거야!!
앞뒤 프레임들로 부터 Convolution을 취한 결과를 Pixel 값으로 쓰자!!
그럼 필터는 뭘 쓸 건데??

Frame Interpolation via Adaptive Convolution
뭐긴뭐야ㅎ 딥러닝이지
ㅎ
41 (Filter Size)
79 (Input Size)
Target Point

Contributions
Occlusion
Edge-aware pixel interpolation

More Related Content

More from Hyeongmin Lee

이번 영상에서는 제가 PR 278번째로 소개드린 적 있었던 RAFT의 Point Tracking 버전 논문입니다. 보통 Object Traking은 주어진 bounding box를 track하는 task를 말하는데 본 논문에서는 첫 프레임에 주어진 point를 따라가는 task를 다루고 있습니다. 논문 제목에서 이야기 하듯이, 주어진 point 하나를 따라가는 것보다 여러 point를 함께 따라가면서 서로 정보를 주고받는 등의 interaction을 하는 것이 tracking 성능 향상에 도움이 된다는 것이 이 논문의 main idea입니다. 논문 링크: https://arxiv.org/abs/2307.07635 영상 링크: https://youtu.be/BDfTSm3_hys

PR-455: CoTracker: It is Better to Track Together

PR-455: CoTracker: It is Better to Track Together

PR-455: CoTracker: It is Better to Track Together

이번 영상에서는 제가 최근에 관심 가지기 시작한 Video 검색쪽 논문을 소개드려볼까 합니다. 발표드릴 논문 제목은 CLIP4Clip: An Empirical Study of CLIP for End to End Video Clip Retrieval 입니다. CLIP을 Video에 확장해서 Video와 Text의 multimodal 학습을 하는 형태의 논문인데요, 논문 자체 내용은 굉장히 심플해서 분량이 남을 것 같기도 하고 CLIP이 PR12에서 제대로 다뤄진 적은 없었던 것 같아서 함께 다뤄보려고 합니다. 영상 링크: https://youtu.be/b543xivGRnI 논문 링크: https://arxiv.org/abs/2104.08860

PR-430: CLIP4Clip: An Empirical Study of CLIP for End to End Video Clip Retri...

PR-430: CLIP4Clip: An Empirical Study of CLIP for End to End Video Clip Retri...

PR-430: CLIP4Clip: An Empirical Study of CLIP for End to End Video Clip Retri...

제가 이번에 소개드릴 논문은 Scalable Model Compression by Entropy Penalized Reparameterization이라는 논문입니다. 이전에 꾸준히 Deep Learning을 이용한 이미지 및 비디오 압축에 대해 설명드렸던 바가 있는데, 이번에는 Neural Network의 Model Parameter들을 압축하는 방법에 관한 논문입니다. 논문 링크: https://arxiv.org/abs/1906.06624 영상 링크: https://youtu.be/LJ8WD5MKA2o

PR-420: Scalable Model Compression by Entropy Penalized Reparameterization

PR-420: Scalable Model Compression by Entropy Penalized Reparameterization

PR-420: Scalable Model Compression by Entropy Penalized Reparameterization

이번 논문은 요즘 핫한 Diffusion을 처음으로 유행시킨 Denoising Diffusion Probabilistic Models (DDPM) 입니다. ICML 2015년에 처음 제안된 Diffusion의 여러 실용적인 측면들을 멋지게 해결하여 그 유행의 시작을 알린 논문인데요, Generative Model의 여러 분야와 Diffusion, 그리고 DDPM에서는 무엇이 바뀌었는지 알아보도록 하겠습니다. 논문 링크: https://arxiv.org/abs/2006.11239 영상 링크: https://youtu.be/1j0W_lu55nc

PR-409: Denoising Diffusion Probabilistic Models

PR-409: Denoising Diffusion Probabilistic Models

PR-409: Denoising Diffusion Probabilistic Models

제가 이번에 소개드릴 논문은 Variational Image Compression with a Scale Hyperprior라는 논문입니다. 지난 328번째 발표에 이어서 두번째 Deep Learning-based Image Compression이고, 지난번 발표때 다루지 못했던 Variational Autoencoder와의 관계와 이번 논문에서의 새 Contribution까지, Deep Learning을 이용한 Image Compression연구는 어떤 고민을 주로 하고 있는지 등을 전달해드리고자 노력하였습니다. 논문 링크: https://arxiv.org/abs/1802.01436 영상 링크: https://youtu.be/ne9ieHRsfCc

PR-395: Variational Image Compression with a Scale Hyperprior

PR-395: Variational Image Compression with a Scale Hyperprior

PR-395: Variational Image Compression with a Scale Hyperprior

제가 이번에 소개드릴 논문은 NeRF와 같이 view synthesis를 하는 논문입니다. NeRF 이후로 NeRF의 문제점을 보완하기 위해 여러 방법들이 쏟아져 나왔는데요, 다른 한편으로는 발상의 전환을 통해 NeRF와 다른 방법을 활용하고자 하는 시도들도 있는 편입니다. 그러한 가장 대표적인 방법중 하나인 Neural Light Field Rendering 방식에 대해 설명드리겠습니다. 논문 링크: https://arxiv.org/abs/2106.02634 영상 링크: https://youtu.be/gxag8uvA2Sc

PR-386: Light Field Networks: Neural Scene Representations with Single-Evalua...

PR-386: Light Field Networks: Neural Scene Representations with Single-Evalua...

PR-386: Light Field Networks: Neural Scene Representations with Single-Evalua...

이번 PR12 365번째 논문으로 소개드릴 내용은 조금 특이한 접근법입니다. 우리가 실생활에서 접하는 대부분의 비디오는 Compressed 된 형태의 Video인데요, 실제 Computer Vision Task에서 input이 Compressed Video라는 가정을 하게 되면 생각보다 큰 이점을 얻을 수 있습니다. 바로 Compressed Video에는 Motion Vector가 포함되어있다는 점입니다. 이를 이용하면 생각보다 많은 것들을 할 수 있게 됩니다. 그 예시로 Object Detection의 연산량을 크게 줄인 case를 하나 소개드려보고자 합니다. 논문 링크: https://arxiv.org/abs/2003.05534 영상 링크: https://youtu.be/jxKU4pDs2G8

PR-376: Softmax Splatting for Video Frame Interpolation

PR-376: Softmax Splatting for Video Frame Interpolation

PR-376: Softmax Splatting for Video Frame Interpolation

이번 PR12 365번째 논문으로 소개드릴 내용은 조금 특이한 접근법입니다. 우리가 실생활에서 접하는 대부분의 비디오는 Compressed 된 형태의 Video인데요, 실제 Computer Vision Task에서 input이 Compressed Video라는 가정을 하게 되면 생각보다 큰 이점을 얻을 수 있습니다. 바로 Compressed Video에는 Motion Vector가 포함되어있다는 점입니다. 이를 이용하면 생각보다 많은 것들을 할 수 있게 됩니다. 그 예시로 Object Detection의 연산량을 크게 줄인 case를 하나 소개드려보고자 합니다. paper link: https://openaccess.thecvf.com/content_ICCV_2019/html/Wang_Fast_Object_Detection_in_Compressed_Video_ICCV_2019_paper.html video link: https://youtu.be/9n6OtHtJvJ0

PR-365: Fast object detection in compressed video

PR-365: Fast object detection in compressed video

PR-365: Fast object detection in compressed video

이번 PR12 340번째 논문으로 소개드릴 내용은 Deep Learning을 이용한 Video Compression에 관한 내용입니다. 바로 이전 논문으로 Deep Learning을 이용한 Image Compression에 대해 설명드렸었는데요, 시간 여유가 있으신 분들께서는 이전 영상 먼저 보시고 오는 것을 추천드립니다 :) 이전 영상: https://www.youtube.com/watch?v=rtuJqQDWmIA paper link: https://arxiv.org/abs/1812.00101 youtube link: https://youtu.be/Dd8Gj2ZITkA

PR-340: DVC: An End-to-end Deep Video Compression Framework

PR-340: DVC: An End-to-end Deep Video Compression Framework

PR-340: DVC: An End-to-end Deep Video Compression Framework

PR 328번째 논문은 ICLR 2017에 발표된 "End-to-End OptimizedImage Compression"이라는 논문입니다. 이미지 압축에 대해 들어보신 적이 있으신가요? 이미지를 더 적은 비트, 즉 더 적은 용량의 데이터로 표현하기 위해 다양한 압축 방법이 제안되어 왔습니다. 가장 대표적인 기술이 JPEG이라고 할 수 있겠는데요, 이 논문에서는 End-to-End Deep Learning을 이용하여 이미지를 압축하는 기법을 제안합니다. 이 논문에서 제안한 방법과 더불어 이미지 압축에 필요한 기본 개념들까지 함께 정리하였으니 이미지 압축이라는 분야가 단순히 무엇인지 궁금하신 분들께서도 앞에서부터 차근차근 봐주시면 감사드리겠습니다 :) paper link: https://arxiv.org/abs/1611.01704 youtube link: https://youtu.be/rtuJqQDWmIA

PR-328: End-to-End OptimizedImage Compression

PR-328: End-to-End OptimizedImage Compression

PR-328: End-to-End OptimizedImage Compression

요즘 Transformer 구조를 language랑 vision 관계 없이 여기저기 적용해보려는 시도가 매우 다양하게 이루어지고 있는데요, 그래서 이번주 제 발표에서는 이를 High-resolution image synthesis에 활용한, CVPR 2021 Oral Session에서 발표될 논문 하나를 소개해보려고 합니다! ** 방송 기기 문제로 이번 영상은 아이패드 필기 없이 진행됩니다!! ** 논문 링크: https://arxiv.org/abs/2012.09841 영상 링크: https://youtu.be/GcbT0IGt0xE

PR-315: Taming Transformers for High-Resolution Image Synthesis

PR-315: Taming Transformers for High-Resolution Image Synthesis

PR-315: Taming Transformers for High-Resolution Image Synthesis

드디어 PR12 Season 4가 시작되었습니다! 제가 이번 시즌에서 발표하게 된 첫 논문은 ""NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis"라는 논문입니다. View Synthesis라는 Task는 몇 개의 시점에서 대상을 찍은 영상이 주어지면 주어지지 않은 위치와 방향에서 바라본 대상의 영상을 합성해내는 기술입니다. 이를 위해서 본 논문에서는 대상의 3D 정보를 통째로 Neural Network가 외우게 하는 방법을 선택했는데요, 이 방식은 Implicit Neural Representation이라는 이름으로 유명해지고 있는 추세고, 2D 이미지에 대해서도 적용하려는 접근들이 늘고 있습니다. 영상 링크: https://youtu.be/zkeh7Tt9tYQ 논문 링크: https://arxiv.org/abs/2003.08934

PR-302: NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis

PR-302: NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis

PR-302: NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis

PR-278: RAFT: Recurrent All-Pairs Field Transforms for Optical Flow

PR-278: RAFT: Recurrent All-Pairs Field Transforms for Optical Flow

PR-278: RAFT: Recurrent All-Pairs Field Transforms for Optical Flow

이번에 다룰 논문은 "Learning by Analogy: Reliable Supervision From Transformations for Unsupervised Optical Flow Estimation"이라는 논문입니다. 얼마 전에 발표드렸던 FlowNet 논문처럼 이 논문도 Deep Learning을 통해 Optical Flow를 학습하는 방법입니다. 다른 점이 하나 있다면, Unsupervised 방식으로 학습이 진행된다는 점입니다. Supervised 방식 만큼이나 Unsupervised 방식으로 Optical Flow를 학습하는 연구 역시 이미 많이 진행이 되어 왔는데요, 오늘 소개 드릴 논문에서는 Data Augmentation을 통한 Consistency를 활용하여 성능을 높이는 방식을 채용한 경우를 소개드리고자 합니다. 영상 링크: 이번에 다룰 논문은 "Learning by Analogy: Reliable Supervision From Transformations for Unsupervised Optical Flow Estimation"이라는 논문입니다. 얼마 전에 발표드렸던 FlowNet 논문처럼 이 논문도 Deep Learning을 통해 Optical Flow를 학습하는 방법입니다. 다른 점이 하나 있다면, Unsupervised 방식으로 학습이 진행된다는 점입니다. Supervised 방식 만큼이나 Unsupervised 방식으로 Optical Flow를 학습하는 연구 역시 이미 많이 진행이 되어 왔는데요, 오늘 소개 드릴 논문에서는 Data Augmentation을 통한 Consistency를 활용하여 성능을 높이는 방식을 채용한 경우를 소개드리고자 합니다.

Pr266

PR-252: Making Convolutional Networks Shift-Invariant Again

PR-252: Making Convolutional Networks Shift-Invariant Again

PR-252: Making Convolutional Networks Shift-Invariant Again

PR-240: Modulating Image Restoration with Continual Levels viaAdaptive Featu...

PR-240: Modulating Image Restoration with Continual Levels viaAdaptive Featu...

PR-240: Modulating Image Restoration with Continual Levels viaAdaptive Featu...

PR-228: Geonet: Unsupervised learning of dense depth, optical flow and camera...

PR-228: Geonet: Unsupervised learning of dense depth, optical flow and camera...

PR-228: Geonet: Unsupervised learning of dense depth, optical flow and camera...

제 PR12 첫번째 발표 논문은 FlowNet이라는 논문입니다. Optical Flow는 비디오의 인접한 Frame에 대하여 각 Pixel이 첫 번째 Frame에서 두 번째 Frame으로 얼마나 이동했는지의 Vector를 모든 위치에 대하여 나타낸 Map입니다. Video에 Motion을 분석하는 일은 매우 중요하기 때문에, 이러한 Optical Flow 역시 굉장히 중요한 요소 중 하나인데요, 이번 영상에서는 고전적인 Computer Vision에서 쓰였던 다양한 Optical Flow 알고리즘들과, Deep Learning Based로 Optical Flow를 구하는 Neural Network인 FlowNet에 대하여 알아보겠습니다. 감사합니다!! 영상 링크: https://youtu.be/Z_t0shK98pM 논문 링크: http://openaccess.thecvf.com/content_iccv_2015/html/Dosovitskiy_FlowNet_Learning_Optical_ICCV_2015_paper.html

PR-214: FlowNet: Learning Optical Flow with Convolutional Networks

PR-214: FlowNet: Learning Optical Flow with Convolutional Networks

PR-214: FlowNet: Learning Optical Flow with Convolutional Networks

[PR12] Making Convolutional Networks Shift-Invariant Again

[PR12] Making Convolutional Networks Shift-Invariant Again

[PR12] Making Convolutional Networks Shift-Invariant Again

[Paper Review] A Middlebury Benchmark & Context-Aware Synthesis for Video Fra...

[Paper Review] A Middlebury Benchmark & Context-Aware Synthesis for Video Fra...

[Paper Review] A Middlebury Benchmark & Context-Aware Synthesis for Video Fra...

More from Hyeongmin Lee (20)

PR-455: CoTracker: It is Better to Track Together

PR-455: CoTracker: It is Better to Track Together

PR-455: CoTracker: It is Better to Track Together

PR-430: CLIP4Clip: An Empirical Study of CLIP for End to End Video Clip Retri...

PR-430: CLIP4Clip: An Empirical Study of CLIP for End to End Video Clip Retri...

PR-430: CLIP4Clip: An Empirical Study of CLIP for End to End Video Clip Retri...

PR-420: Scalable Model Compression by Entropy Penalized Reparameterization

PR-420: Scalable Model Compression by Entropy Penalized Reparameterization

PR-420: Scalable Model Compression by Entropy Penalized Reparameterization

PR-409: Denoising Diffusion Probabilistic Models

PR-409: Denoising Diffusion Probabilistic Models

PR-409: Denoising Diffusion Probabilistic Models

PR-395: Variational Image Compression with a Scale Hyperprior

PR-395: Variational Image Compression with a Scale Hyperprior

PR-395: Variational Image Compression with a Scale Hyperprior

PR-386: Light Field Networks: Neural Scene Representations with Single-Evalua...

PR-386: Light Field Networks: Neural Scene Representations with Single-Evalua...

PR-386: Light Field Networks: Neural Scene Representations with Single-Evalua...

PR-376: Softmax Splatting for Video Frame Interpolation

PR-376: Softmax Splatting for Video Frame Interpolation

PR-376: Softmax Splatting for Video Frame Interpolation

PR-365: Fast object detection in compressed video

PR-365: Fast object detection in compressed video

PR-365: Fast object detection in compressed video

PR-340: DVC: An End-to-end Deep Video Compression Framework

PR-340: DVC: An End-to-end Deep Video Compression Framework

PR-340: DVC: An End-to-end Deep Video Compression Framework

PR-328: End-to-End OptimizedImage Compression

PR-328: End-to-End OptimizedImage Compression

PR-328: End-to-End OptimizedImage Compression

PR-315: Taming Transformers for High-Resolution Image Synthesis

PR-315: Taming Transformers for High-Resolution Image Synthesis

PR-315: Taming Transformers for High-Resolution Image Synthesis

PR-302: NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis

PR-302: NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis

PR-302: NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis

PR-278: RAFT: Recurrent All-Pairs Field Transforms for Optical Flow

PR-278: RAFT: Recurrent All-Pairs Field Transforms for Optical Flow

PR-278: RAFT: Recurrent All-Pairs Field Transforms for Optical Flow

Pr266

PR-252: Making Convolutional Networks Shift-Invariant Again

PR-252: Making Convolutional Networks Shift-Invariant Again

PR-252: Making Convolutional Networks Shift-Invariant Again

PR-240: Modulating Image Restoration with Continual Levels viaAdaptive Featu...

PR-240: Modulating Image Restoration with Continual Levels viaAdaptive Featu...

PR-240: Modulating Image Restoration with Continual Levels viaAdaptive Featu...

PR-228: Geonet: Unsupervised learning of dense depth, optical flow and camera...

PR-228: Geonet: Unsupervised learning of dense depth, optical flow and camera...

PR-228: Geonet: Unsupervised learning of dense depth, optical flow and camera...

PR-214: FlowNet: Learning Optical Flow with Convolutional Networks

PR-214: FlowNet: Learning Optical Flow with Convolutional Networks

PR-214: FlowNet: Learning Optical Flow with Convolutional Networks

[PR12] Making Convolutional Networks Shift-Invariant Again

[PR12] Making Convolutional Networks Shift-Invariant Again

[PR12] Making Convolutional Networks Shift-Invariant Again

[Paper Review] A Middlebury Benchmark & Context-Aware Synthesis for Video Fra...

[Paper Review] A Middlebury Benchmark & Context-Aware Synthesis for Video Fra...

[Paper Review] A Middlebury Benchmark & Context-Aware Synthesis for Video Fra...

Recently uploaded

(독서광) 인간이 초대한 대형 참사 - 대형 참사가 일어날 때까지 사람들은 무엇을 하고 있었는가?

(독서광) 인간이 초대한 대형 참사 - 대형 참사가 일어날 때까지 사람들은 무엇을 하고 있었는가?

(독서광) 인간이 초대한 대형 참사 - 대형 참사가 일어날 때까지 사람들은 무엇을 하고 있었는가?

JMP가 걸어온 여정, 새로운 도약 JMP 18!

JMP가 걸어온 여정, 새로운 도약 JMP 18!

JMP가 걸어온 여정, 새로운 도약 JMP 18!

공학 관점에서 바라본 JMP 머신러닝 최적화

공학 관점에서 바라본 JMP 머신러닝 최적화

공학 관점에서 바라본 JMP 머신러닝 최적화

JMP 기능의 확장 및 내재화의 핵심 JMP-Python 소개

JMP 기능의 확장 및 내재화의 핵심 JMP-Python 소개

JMP 기능의 확장 및 내재화의 핵심 JMP-Python 소개

실험 설계의 평가 방법: Custom Design을 중심으로 반응인자 최적화 및 Criteria 해석

실험 설계의 평가 방법: Custom Design을 중심으로 반응인자 최적화 및 Criteria 해석

실험 설계의 평가 방법: Custom Design을 중심으로 반응인자 최적화 및 Criteria 해석

JMP를 활용한 전자/반도체 산업 Yield Enhancement Methodology

JMP를 활용한 전자/반도체 산업 Yield Enhancement Methodology

JMP를 활용한 전자/반도체 산업 Yield Enhancement Methodology

데이터 분석 문제 해결을 위한 나의 JMP 활용법

데이터 분석 문제 해결을 위한 나의 JMP 활용법

데이터 분석 문제 해결을 위한 나의 JMP 활용법

JMP를 활용한 가속열화 분석 사례

JMP를 활용한 가속열화 분석 사례

JMP를 활용한 가속열화 분석 사례

Recently uploaded (8)

(독서광) 인간이 초대한 대형 참사 - 대형 참사가 일어날 때까지 사람들은 무엇을 하고 있었는가?

(독서광) 인간이 초대한 대형 참사 - 대형 참사가 일어날 때까지 사람들은 무엇을 하고 있었는가?

(독서광) 인간이 초대한 대형 참사 - 대형 참사가 일어날 때까지 사람들은 무엇을 하고 있었는가?

JMP가 걸어온 여정, 새로운 도약 JMP 18!

JMP가 걸어온 여정, 새로운 도약 JMP 18!

JMP가 걸어온 여정, 새로운 도약 JMP 18!

공학 관점에서 바라본 JMP 머신러닝 최적화

공학 관점에서 바라본 JMP 머신러닝 최적화

공학 관점에서 바라본 JMP 머신러닝 최적화

JMP 기능의 확장 및 내재화의 핵심 JMP-Python 소개

JMP 기능의 확장 및 내재화의 핵심 JMP-Python 소개

JMP 기능의 확장 및 내재화의 핵심 JMP-Python 소개

실험 설계의 평가 방법: Custom Design을 중심으로 반응인자 최적화 및 Criteria 해석

실험 설계의 평가 방법: Custom Design을 중심으로 반응인자 최적화 및 Criteria 해석

실험 설계의 평가 방법: Custom Design을 중심으로 반응인자 최적화 및 Criteria 해석

JMP를 활용한 전자/반도체 산업 Yield Enhancement Methodology

JMP를 활용한 전자/반도체 산업 Yield Enhancement Methodology

JMP를 활용한 전자/반도체 산업 Yield Enhancement Methodology

데이터 분석 문제 해결을 위한 나의 JMP 활용법

데이터 분석 문제 해결을 위한 나의 JMP 활용법

데이터 분석 문제 해결을 위한 나의 JMP 활용법

JMP를 활용한 가속열화 분석 사례

JMP를 활용한 가속열화 분석 사례

JMP를 활용한 가속열화 분석 사례

[Paper Review] Video Frame Interpolation via Adaptive Convolution

1. Video Frame Interpolation via Adaptive Convolution 작은논문읽기 모임 2018-1-3nd 영상 및 비디오 패턴 인식 연구실 이형민

2. 무슨 논문인가 • Niklaus, Simon, Long Mai, and Feng Liu. "Video frame interpolation via adaptive convolution." CVPR. Vol. 2. No. 4. 2017. • Video의 각 Frame 사이의 중간 Frame을 채워 넣는 알고리즘 • Time축 Superresolution이라고 생각하면 된다. • 기존의 방식들과는 다르게 Adaptive Convolution이라는 방법을 도입

3. 무슨 논문인가

4. 기존의 Frame Interpolation Motion Estimation + Pixel Synthesis Optical Flow Optical Flow  2로 나누기  Frame 복원

5. Optical Flow 기반 Frame Interpolation... Occlusion에 강인하지 못하다

6. Frame Interpolation via Convolution Target Pixel에서 필요로 하는 정보는 앞뒤 프레임의 근처 픽셀들이 갖고 있을 거야!! 앞뒤 프레임들로 부터 Convolution을 취한 결과를 Pixel 값으로 쓰자!! 그럼 필터는 뭘 쓸 건데??

7. Frame Interpolation via Adaptive Convolution 뭐긴뭐야ㅎ 딥러닝이지 ㅎ 41 (Filter Size) 79 (Input Size) Target Point

8. Contributions Occlusion Edge-aware pixel interpolation