1.本文創新點：
提出了一個CNN,可以同時估計光流和視頻中模糊的隱藏幀
為了更好的研究連續幀的特性，在CNN模型中開發了一種時間清晰度。
2.算法介紹：
該算法包含optical flow estimation module, latent image restoration module, temporal sharpness piror.
optical flow estimation module為latent image restoration module提供運動信息，而latent frame restoration module又進一步優化了optical flow estimation module，讓它更准確。temporal sharpness prior可以從鄰域的幀探索出sharpness pixels，從而更好的進行幀的恢復。所有模型在統一的框架里以端到端的方式統一訓練。
optical flow estimation通過PWC-Net進行計算。
Latent frame restoration module用差分模型重建latent frame，用一個deep CNN模型重建latent frame Ii
用雙線性插值計算wraped frames。
temporal sharpness prior module：定義評分標准：
如果接近1，則像素越清晰，用S來幫助深度神經網絡區分一個像素是否清晰，並且幫助latent frame恢復。為了增強S的魯棒性，定義了D：
定義latent frame 重建：
