光流补帧和深度学习补帧

目前主流的补帧技术主要分为两套算法：

传统光流补帧

优点：算法成熟、处理速度快、算力开销低，是目前绝大多数日常补帧软件的基础。

缺点：传统光流不具备语义理解。不知道哪些像素属于同一个物体（它分不清跑的是狗还是球），仅关注像素点的位移。一旦遇到快速转场或复杂的遮挡关系，计算错误就会产生伪影

深度学习补帧

优点：通过大量数据学习画面遮挡、深度、运动的规律，具备“理解”能力。能初步认识前景、背景并理解物体的空间遮挡关系。补帧效果出众，画面稳定度极高，观感几乎可以媲美原生帧率。

缺点：对硬件性能要求极高，对于中低端显卡，通常只能采取非实时补帧（先渲染导出，再观看）

应用场景：视频、游戏与通用补帧

根据使用场景的不同，通常补帧可分为三类：

视频补帧：代表软件有SVP、RIFE、Topaz Video AI。
游戏补帧：硬件厂商方案，如DLSS 3、FSR 3、Intel XeSS。
通用补帧：典型软件是Lossless Scaling（无损缩放）以及NVIDIA显卡驱动级的Smooth Motion。特点是不受场景限制，无论是浏览器、模拟器还是普通播放器，只要是窗口化输出，都能强行接管补帧。

Q：通用补帧会被封号吗？通用补帧不修改游戏文件或内存数据，而是通过“钩取”图像输出流（类似录屏或帧率显示表）来工作，反作弊则检测是否有hook行为

为什么游戏补帧效果更好？

如图所示，视频补帧和游戏补帧完全不在一个维度上

视频补帧

传统的视频补帧在平面的视频中推测出下一帧的位置（如左图）
视频补帧是在二维平面上预测下一帧，一旦物体运动太快或者背景太复杂，算法就会算错，产生果冻效应和撕裂感（伪影）

游戏补帧

拿着游戏引擎给它的上帝视角直接补帧（如右图）
深度缓冲：显卡精准知道谁在前，谁在后
不会像传统算法那样，把跑动的角色边缘和远处的建筑识别为整体，从根源上杜绝了物体边缘的虚影
运动矢量：引擎会直接告诉显卡每个物体的运动路径
显卡不需要逐像素分析，不用猜运动方向，精度推测到直接给出答案

UI保护：游戏补帧通常在UI渲染前完成，不会像视频补帧那样导致菜单，血条等静态元素产生抖动或模糊

游戏补帧代价是增加输入延迟，因为补帧需要在两帧之间算好后插入进去，不可避免但可以被缓解
游戏补帧适合慢节奏游戏，玩FPS竞技游戏因为需要快速的反应力所以补帧会导致画面特别不跟手，而且速度太快还没补好，所以不推荐用补帧玩FPS游戏

实时补帧和非实时补帧

实时和非实时
是要速度还是要质量？

在补帧领域，最核心的区别在于是否实时
游戏场景都采用实时补帧，而视频处理则可以追求非实时补帧

例如RIFE与SVP都支持非实时补帧，Topaz Video AI因为主打的是修复视频而不是看视频，所以只有非实时补帧
简单来说，非实时补帧就是利用电脑的CPU和GPU资源离线生成新帧，不追求实时输出，追求极致流畅和无伪影
由于离线有双向参考的能力，离线算法不仅看过去，还预知未来

非实时补帧对伪影的压制堪称降维打击

在实测中，处理线条简单的动漫能达到肉眼无瑕疵的效果，如果片源质量足够好，大幅度的运动依然可以保证补帧的质量极佳

但别高兴太早伪影依然存在
复杂的作品，比如自带动态模糊，胶片风格，粒子烟雾和爆炸特效，快速移动的复杂几何体，短时间快速移动的物体，强如RIFE也不可避免的会出现伪影

代价也非常明显，那就是性能瓶颈，耗时且耗电
一段24分钟的视频，用RTX 2060处理可能长达3小时
由于帧数翻倍，生成的视频文件体积也会成倍增长
对于非NVIDIA设备，缺少CUDA加持的效率会更低下

视频补帧谁更好？（难以给出准确的答案）

RIFE（免费）

项目地址

介绍：说到视频补帧，RIFE绝对是一个绕不开的传奇。是由旷视科技（Megvii Research）与北京大学联合研发的一项补帧技术。
（旷视科技是中国领先的计算机视觉与深度学习公司）

传统的基于光流的方法陷入了一个困境
光流只能从端点推中间在非线性运动，插值误差会被放大

这导致了两个致命缺陷
早期高精度传统光流往往很慢效率极低，处理时间往往是原视频时长的10-100倍，在高分辨率/高倍率时更难实时
精度差，在物体大幅度偏移处容易产生严重的撕裂和伪影

RIFE团队提出了一个天才的思路，让神经网络直接去学习“中间光流”增强预测中间帧位置不就好了

训练阶段：团队把真实的“第1.5帧”喂给模型学习，让模型在训练中明白物体的运动原理
推理阶段：虽然此时模型手里只有第1帧和第2帧，但它已经懂了物体的运动逻辑，即使没有中间过程，它也能精准感知物体的移动路径。

结果就是训练过程中模型学会了如何分辨运动轨迹，物体的运动原理是什么
但..如果超出训练范围或出现极端运动模型算法会立刻失效

RIFE的本质是利用深度学习优化了光流计算
这种化繁为简的思路，让它既拥有光流法的准确，又具备神经训练模型的高效
RIFE不仅画质极佳，并且还深度优化了训练模型性能会更好，成为了实时补帧领域的标杆

推理速度对比（640×480分辨率）

优点：画质天花板，目前公认的画质最佳方案之一，作为开源项目，用户可以免费使用顶级算法

缺点：耗电，对显卡要求极高，低端显卡能用，但补帧没有流畅这一说
性能：对显卡算力要求极高，即便是RTX4090，高端显卡在1080P或2K分辨率下的实时体验非常出色，但如果是4K及以上分辨率，通常使用非实时补帧
质量：质量是补帧第一梯队。它能极好地还原运动轨迹，只有在面对物体极速闪现或极其复杂的运动场景时，才会产生轻微的伪影。
适用人群：性能强，对画面有高标准的用户

Lossless Scaling（29元）

Steam

介绍：Lossless Scaling俗称小黄鸭，LS
LS的一开始并非为了补帧，而是为了解决一个老游戏不能放大的问题
许多老游戏（如《植物大战僵尸》）或不支持现代分辨率的游戏无法以全屏模式运行

一开始主要用于缩放与上采样
通过“空间缩放算法”、“锐化算法”以及机器学习技术，它能将窗口模式运行的游戏拉伸至全屏，同时保持甚至改善画面清晰度

LSFG(Lossless Scaling Frame Generation)

2024年1月9日，LS首次引入了补帧功能（LSFG）
虽然1.0版本的效果差强人意，画面模糊、延迟高，但进化速度惊人

目前最新的LSFG 3.1版本效果太好，实现了破圈

以下数据来自LSFG官方更新日志，在不同硬件和场景下实际表现可能有所差异。

极限倍数：最高20倍补帧（实际没人用这么高的）
架构重构：彻底重写了底层架构，性能表现大幅提升
模型改良：优化了机器学习模型，有效减少了补帧常见的闪烁与伪影
负载优化：在2倍模式下GPU负载降低了约40%，高倍率模式下降低甚至超过45%
响应极快：相比LSFG 2.0，输入延迟降低了24%
双显卡支持：支持双GPU协同补帧，即一张显卡负责渲染游戏，另一张显卡专门处理补帧，效果极佳

优点：便宜，性价比高，通用强
缺点：相比游戏原生的帧生成，延迟略高，相比顶级视频补帧工具画质上限稍低，更新频率较低
性能：资源消耗中等偏低
质量：在光流补帧模型中非常不错，伪影控制出色，在双显卡环境下表现极为出色
适用人群：喜欢游戏补帧，追求性价比

SVP（185元）

官网

介绍：SVP（SmoothVideo Project）是补帧界的“常青树”，早在2009年便已问世
在那个高刷新率视频刚开始普及、PC端补帧软件凤毛麟角的年代，它的出现填补了市场空白

SVP的核心原理是运动插补与帧率转换
技术并非凭空而来，SVP借鉴了索尼、三星、LG等高端电视中广泛应用的运动补偿技术，但当时高端电视的补帧技术大多都是私有化，SVP就在想如何在PC上实现电视一样的补帧效果
SVP的创新之处在于成功将这些昂贵的硬件算法搬到了PC平台（并非移植），深度优化并适配了PC，让普通用户只需简单操作，就能在PC上获得顶级电视的补帧体验

SVP对动漫有着专项优化
针对日本动画常见的前景角色运动剧烈，背景相对静止制作痛点
SVP在此基础上进行优化，补帧算法能更精准地追踪角色轨迹，避免了普通补帧可能导致的画面模糊，解决了传统补帧在动漫场景下易崩坏的问题

（SVP底层逻辑也基于光流算法的深度改进）

优点：兼顾实时与离线补帧，支持移动端，参数调节精细，多档位的去伪影功能。有自动去黑边功能，内置RIFE
缺点：开发者已经将重心转到手机端，所以更新频率低。价格较贵
性能：对配置有一定要求，主流显卡在1080P下进行3倍实时补帧基本没有压力
质量：质量上很好，伪影更少（即使是最低档位的去伪影功能）
适用人群：影迷。如果你单纯是为了RIFE算法（为醋 包饺子）可以考虑其他的选择

Topaz VideoAI（299美元）

官网

Topaz Video AI并非视频补帧工具，而是一款工业级的视频修复全家桶
集补帧、去噪、超分辨率（缩放）以及画质修复深度集成在一起。它是为了“修复视频”

优点：画面补帧非常流畅，内置模型数量很多很多，对于追求极致画质的专业人士，它是目前市面上最强大的离线处理工具之一

缺点：价格极高（数百美元）处理速度慢，如果需求仅仅是离线补帧，性价比可能不如RIFE
质量：补帧质量与RIFE旗鼓相当，但在消除画面瑕疵和提升质量方面完全碾压
适用人群：家里有矿，性能够好，专业人士，老片翻新专业户

如果你还在纠结，我的建议是
打游戏去买个29元的LS
想安心看电影，性能又不是特别高，选SVP
性能足够可以考虑RIFE
至于Topaz那是留给专业人士的产品

2026年1月21日，进行了大规模的重置
因为我写的前端太烂了，所以我删除了关于游戏补帧的详细介绍

2026年1月16日
补充了内容，删除了歧义，修正了话术，添加了新的UI介绍

2025年12月21日
修正了大部分的内容，删除了特别多的歧义内容，加入了更多图片

2025年11月18日
删除了一大堆废话

2025年11月27日
我更新了一些动画和功能，去除了插件动画造成的冗余