帧插值算法是视频增强领域的核心技术,其主要任务是利用视频相邻帧的图像信息预测出中间帧。帧插值技术既可以用于帧率提升、慢动作视频等直接应用,也可以作为基础核心技术用于视频超分辨率、视频编解码等领域,其关键点在于如何准确地提取运动信息。基于显式运动匹配的帧插值算法在过去得到最为广泛的研究,但是这种方法容易受到诸如遮挡、光照变化、运动模糊等实际因素的干扰。虽然过去近二十年的研究在一定程度上改善了上述问题,但是精确的匹配通常需要用到迭代求解的全局优化算法,计算复杂度过高。近年来,以相位法和卷积神经网络为代表的隐式运动估计帧插值算法取得了不少进展。隐式运动估计规避了匹配的全局优化过程,通过局部信息的转换就可以提取运动信息。然而,帧插值算法在不同的应用场景下依然面临很多挑战。一方面,极端光照变化、大运动等条件仍是难点所在;另一方面,基于卷积神经网络的帧插值算法虽然取得较好的效果,但是很少考虑同时插值多帧的情况,而且模型参数量很大。本文在上述研究背景下,对相位法、卷积神经网络等隐式运动估计帧插值算法进行深入研究,并结合各自的优势解决相应问题。本文主要研究工作如下:针对图像信号相位差所能表征的运动范围有限的问题,提出一种基于相位修正和幅值对齐的帧插值算法。该算法利用自顶向下相位保留和自底向上相位矫正的过程对不同运动范围的物体进行区分,然后利用修正后的相位差信息移动相应的幅值信号,使待插值帧上的幅值信号更加集中。为了进一步提升图像质量,对于彩色图像设计了自适应高频残差处理方式,对深度图像设计了深度值矫正算法,用于去模糊效应。实验结果表明,该算法在深度图像插值效果优势明显,对于运动较大的序列,虚拟视点的PSNR提升0.1-0.2dB。对于彩色图像,亮度变化场景下的帧插值效果优势明显,在高帧率彩色图像上表现出有竞争力的性能。为了同时插值多个中间帧图像,并且提高极端光照变化条件下的处理能力,提出一种基于卷积神经网络的多重帧插值算法。该算法基于编码-解码网络,利用多分支流结构对多个中间帧的光流场进行时域一致性建模;引入相位子网络提取图像的相位特征,用于处理极端光照变化场景下的运动;最后用一个合成子网络进一步提升图像质量。实验结果表明,该算法在各个数据集上均优于其他先进算法,其中在大运动数据集上的PSNR平均提高了 0.4dB以上,并且在极端光照变化场景下表现优异。为了降低帧插值网络模型的参数量,提出一种基于轻量化单解码神经网络的帧插值算法。该算法用一维可分离Gabor滤波提取出能够高效表达运动信息的相位幅值特征金字塔,在此基础上用单解码网络预测光流场,经过图像变换和基于上下文信息的合成网络得到高质量的帧插值结果。网络训练以连续五元组序列为一个样本,同时引入线性运动损失函数,用于提高光流场的精度。实验结果表明,相比其他先进方法,该算法在保持极具竞争力的性能表现前提下,网络参数量降低了一个数量级。扩展大模型的帧插值性能超越其他竞争方法,PSNR在大运动数据集上提升了 0.28dB。