RIFE：把动作放慢时，用中间帧减少跳动

把孩子接球的一小段视频放慢，常见的问题是动作一格一格地跳。RIFE 处理的正是两个画面之间缺少过渡的部分：给它前后两帧，估计中间时刻物体在哪里，再合成新的画面。它值得视频爱好者了解，因为提高帧率和提高分辨率是两件事；你可能只需要更连贯的动作，并不需要把整段素材放大成 4K。

看球和双手怎样移过两帧之间

RIFE 的 ECCV2022 官方仓库展示了一组“由两张输入图像进行 16 倍插帧”的动画。下面的小孩抱球 GIF 是其中一个官方示例，并非本文录制或处理的视频。

图源：RIFE 官方 README 的两图插帧示例，原图为 368×256。重点看球、手掌与袖口在连续画面中的位置变化；它展示的是动作过渡，不是清晰度增强。

这段画面的好处在于，读者不用先理解论文就能找到需要补足的运动：球在手中下降，双臂跟着改变位置，背景大体保持稳定。如果只是把原有帧重复播放，慢下来后会在同一姿势停留，再突然跳到下一个姿势；插帧则尝试在这两者之间增加新的姿势。官方给出的“16 倍”描述属于该两图示例，不能顺手改写成任意视频都能无损获得 16 倍慢动作。

这里也有值得盯着看的交界：手指与球的接触处、袖口和身体重叠的位置。补出的帧需要解释谁挡住了谁，以及运动后露出了什么。动画可以帮助认识这个任务，却没有提供每一张中间帧的真实拍摄对照，因此不能据此断言所有细节都复原正确。

补的是时间位置，原片的模糊仍然存在

论文摘要把 RIFE 的关键结构称作 IFNet：它直接估计用于中间帧的运动信息，并用时间位置作为条件，支持一对图像间不同时刻的插值。对使用者而言，输入不只是“想要顺一点”的愿望，而是前后画面提供的线索；输出则是算法推算的中间画面。

这也说明了它与照片增强的差别。原片里已经糊掉的球面图案、衣服纹理，并不会仅因为画面数量增多就自动恢复。若你遇到的是压缩色块或失焦，单独补帧未必解决最显眼的问题。相反，素材本身足够清楚、只是慢放后姿势间隔太大时，插帧更贴近需求。

帧率和播放速度还要分开决定。作为教学情境，同一秒素材从 30 帧变成 60 帧，仍按每秒 60 帧播放，时长可以保持不变；若把增加后的帧按较低帧率播放，才会延长时间、产生慢动作。这是时间安排的区别，不是本篇对 RIFE 的性能测试。官方命令示例也分别提供倍数与输出帧率设置，其中慢动作示例明确注明会移除音频，原声衔接需要另作安排。

哪些片段值得先试

我会先选一个单镜头、主体运动比较连贯的短片段，像官方示例那样观察四肢与物体边缘，再决定是否处理整段录像。遮挡、大幅快速运动、突然切镜和后加字幕都应该单独检查：从“估计两帧之间的运动”这一任务可以推知，画面关系越不连续，越不能只看导出后的帧率数字。这个检查建议是编辑判断，不表示本文测出了这些场景的失败率。

入口可从官方仓库的 CLI Usage 开始，需要 Python 依赖与另行下载的预训练参数。仓库区分了常用 HD 权重和论文评测权重，不应把某一套模型的结果泛化到所有 RIFE 版本。README 所列 Flowframes、SVFI 等图形工具是其他开发者的产品，价格、平台与模型版本应分别确认，不能因为算法开放就认定这些软件都免费。

仓库代码采用 MIT 许可，分发时需要保留相应版权与许可说明。本文没有运行模型，也不以论文或 README 中特定显卡的速度数字承诺你的处理时间。若目标是把动作慢放得更连贯，先检查球与手之间的过渡，会比一开始追求最高倍数更容易判断它是否值得加入流程。

参考资料：

• RIFE 官方 README：两图示例、视频命令与权重说明
• RIFE 论文摘要：中间运动估计与任意时刻插帧
• RIFE MIT 许可