而目前主流的视频，用的是「逐行扫描」。这需要较大的带宽来传输，在早期难以实现。
简单来讲，如果把播放视频的一帧当做用围棋填满棋盘。
隔行扫描就是按照奇数、偶数行分别一行一行放棋子。逐行扫描那便是一行一行地铺棋子了。
当前的问题是，如果把原先的是视频拿来在新式设备上播放，就会产生闪烁和条纹。
因此，为了解决这一问题，就得使用多帧输入的神经网络去交错算法。
也就是，将隔行扫描讯号转换为逐行扫描讯号。
如下修复的画面中，就可以完全清晰看到手指戴的那枚戒指，还有根根分明的琴弦。
与传统的固定去交错算法相比，该算法不仅在视频细节恢复得更好，而且运动场景的拉丝情况也能得到更好的解决。
除了清晰度，旧视频中还存在颜色褪色、异常、过亮过暗等问题。
这里，针对具体片源效果，依据美学评分，在色彩，亮度，对比度，饱和度，人像ROI和背景区域分别增强。
并且根据不同帧的色彩统计信息进行自适应亮度增强，使亮区与暗区都能得到最好的表现效果。
另外，还有人像的修复也至关重要。
在91年演唱会中，很多片段中人脸存在较大的彩色噪声，压缩损伤，模糊等问题。
这里就用到了自适应人像增强算法。
基于深度学习模型，对演唱会因噪声和压缩导致过于模糊的低质量人脸，进行高清五官重建。
此外，对眼睛，嘴巴，耳朵，皮肤甚至发丝都进行了细节重建和纹理添加，使得人脸清晰度更高更真实。
值得一提的是，演唱会场景中多角度的人脸，比如正脸、侧脸、俯视、仰视，还有一些被乐器/话筒遮挡的人脸，该算法都表现出较好的修复效果。
