flameTimewarpML 适用于Autodesk Flame的机器学习框架插值工具。 基于arXiv2020-RIFE，原始实现： : @article{huang2020rife, title={RIFE: Real-Time Intermediate Flow Estimation for Video Frame Interpolation}, author={Huang, Zhewei and Zhang, Tianyuan and Heng, Wen and Shi, Boxin and Zhou, Shuchang}, journal={arXiv preprint arXiv:2011.06294}, year={2020} } 来自Julik Tarkhanov的Flame动画曲线插值代码： : 安装 单工作站/易于安装 从“页面下载最新发

为提高线性调频连续波(LFMCW)雷达测距精度,提出一种基于改进Rife算法的雷达测距方法。首先介绍了方法原理,并理论分析了方法的测距性能;其次,结合以FPGA EP3C55F484C8N为核心芯片的线性调频连续波雷达,探索了方法实现,并就方法实现的关键点之一——实数点处的DFT计算给出流程;然后,通过Quartus II进行时序仿真,结果显示所提方法可行;最后,利用线性调频连续波雷达实验平台进行现场测距验证,整个距离段上,系统可进行高精度测距,与现有实际测距方法相比,精度更高,稳定性更好,证明了方法的有效性。

RIFE插值 SVFI的命令行版本 优先更新此版本 要求用户有一定python基础 已准备好的python环境 （下载链接以后放出） 要求 python 3.7.6 OpenCVPython的4.1.2 火炬1.0.0 numpy的1.16 tqdm 4.35.0 psutil 闭嘴

流帧-用于视频插值的Windows GUI 用于视频插值的Flowframes Windows GUI-支持DAIN NCNN以及RIFE Pytorch和NCNN实施。 Flowframes是开源捐赠软件。 在Patreon的早期试用期过后，Builds会免费发布。 这个仓库的代码是完整的，不会“付费”有经验的用户想要自己编译程序。 但是，我不提供对自建版本的支持，因为我不能保证此存储库的代码在任何给定时刻都是稳定的。 如果要获得最稳定的源代码，请参考发行版。 安装 可以在下载，也可以在上下载最新的beta版本。 此存储库不提供构建。 运行Flowframes.exe 从1.18版开始，安装程序已被删除，而Flowframes作为多合一存档分发。 如果您使用的是Maxwell / Pascal / Turing GPU，并且要使用嵌入式Pytorch，请下载“ Full”文件；

简单的视频推理 该存储库是一个类似于 ESRGAN 推理存储库的推理存储库，但适用于各种视频机器学习模型。 这个想法是让任何人都可以轻松地在视频上运行各种模型，而不必担心不同的存储库设置。 欢迎公关。 当前支持的架构 SOFVSR ( 版本) 原装SOFVSR SR网 RRDB SR 网 RIFE（ 版本） 支持常规和“高清” RIFE 模型 原始 RIFE 模型需要转换为 BasicSR 的单模型 .pth 文件（位于 utils 文件夹中的转换脚本） 附加的功能 自动缩放、帧数、通道数和 SR 架构检测 自动“HD”RIFE 模型检测 自动开始和结束帧填充，因此所有帧都包含在输出中 通过ffmpeg直接视频输入输出 使用这个仓库 要求： numpy, opencv-python, pytorch, progressbar2 可选要求： ffmpeg-python使用视频输入/

RIFE-Colab + GUI 用于Google Colab的RIFE插值脚本，以及用于Windows和Linux下本地执行的GUI。 特征 灵活的输入选项，使用FFmpeg进行解码 使用x264或NVENC进行输出以实​​现快速编码性能 多种GPU处理支持（不需要SLI，可以使用不同的GPU组合） 不同的帧处理模式-包括重复帧删除以及维护输出FPS 能够为GIF和循环视频创建循环友好输出 最大插值因子无限制 场景变化检测 批处理视频 本地安装 初始步骤： 确保可以从系统路径（Linux / Windows）访问7-zip或将其安装在C：\ Program Files \ 7-Zip中 Git已安装并且可以从系统路径访问 已安装Python 3.8，并可从系统路径访问它（在安装过程中，将Python 3.8添加到PATH中，打勾） 安装 在终端（Linux）或git bash（W

Rife算法的一种matlab实现

RIFE_trained_model_v3.6, RIFE: Real-Time Intermediate Flow Estimation for Video Frame Interpolation.

基本SR BasicSR（基本超级还原）是基于PyTorch的开源图像和视频还原工具箱（超分辨率，去噪，去模糊等）。 这是原始BasicSR的经过大量修改的分支。 您将在此处找到的内容：用于训练和测试计算机视觉（CV）模型的样板代码，集成在单个管道中的不同CV方法和策略以及模块化，以根据需要添加和删除组件，包括新的网络体系结构。 进行了大量的代码重写，以减少代码冗余和重复，重组代码并使其更具模块化。 可以在找到支持的体系结构的详细信息。 （自述文件当前为WIP） 此代码的最新版本中的一些新功能： 现在，将不同功能（HFEN，SSIM / MS-SSIM，SPL，TV / DTV等）使用的滤镜和图像操作合并到filter.py和colors.py中。 可重用的损失生成器，可以减少使用新模型时所需的更改，并且对所有模型仅添加一次新损失 度量构建器，在验证期间仅包括选定的那些。

正弦波频率估计的改进Rife算法，是一种新的算法，对于估计频率有很大的帮助