讓動畫師專注在最關鍵的畫格，把繁瑣重複的中割工作交給 AI——而且，主導權始終在人的手上。
傳統手繪 2D 動畫裡，「中割」是最耗時、最重複，也最容易消磨創作熱情的環節。一個動作往往需要動畫師手動補上大量過渡畫格。
近年的 AI 影格插值技術理論上能自動生成中割，但對動畫師來說有個致命問題：純自動化會奪走「意圖」的控制權。動作的快慢節奏、誇張與收斂、骨架的走向，這些都是動畫師的表演語言，不該交給黑箱決定。
CelFlow 想回答的問題是：能不能讓 AI 承擔勞力，又把每一個藝術決策的最終決定權留給人？工作流：匯入原畫（PNG / PSD / 影片抽幀）→ AI 生成中間張 → 人工檢視修正 → 回饋自動學習 → 匯出 PNG 序列 / GIF / MP4。
整體採 C# WPF 前端 + Python FastAPI 後端雙進程架構，透過 HTTP REST（同步操作）與 WebSocket（推論 / 訓練進度推播）在本機 127.0.0.1:8765 通訊。前端啟動時自動偵測並拉起後端，前端結束時自動終止後端進程。CLI 與 GUI 被設計成後端的「平行客戶端」，彼此獨立而不互相依賴。
| 引擎 | 原理 | 適用場景 |
|---|---|---|
| RIFE v4.26 | 光流插幀（PyTorch, IFNet_HDv3） | 平滑連續的小動作補幀，全彩／線稿通用，速度最快；支援 t 外推做 overshoot。 |
| TPS | 骨架偵測 + Thin Plate Spline 網格變形（scipy RBF） | 人物中割，支援部位鎖定與人工骨架編輯。 |
| AnimeInbet | 線稿幾何化為頂點+邊圖，GNN 圖融合（ICCV 2023） | 乾淨線稿的中割，每段產 1 張置中中割。 |
| Hybrid | AnimeInbet 基線 + 雙側 TPS warp 補位 + sanity guard | 大動作線稿中割（核心複合引擎）。 |
骨架偵測支援三種後端（MediaPipe / RTMPose / DWPose，17 或 33 點 COCO），模型尺寸 s/m/l 可選。
純 CPU 邏輯、可獨立測試的決策核心：素材判定（依 dark_ratio、飽和度、線稿乾淨度分類）→ 動作粗估（前景 bbox 位移，小走 RIFE、中走 TPS/AnimeInbet、大走 Hybrid）→ 輸出 DispatchPlan（含引擎選擇、拆段計畫、線稿增強旗標與推薦理由）。/infer/plan 端點可只預覽派工計畫不送推論，動畫師確認後才提交——一鍵智慧調度負責省事，「進階面板」永遠保留完整手動控制。
/infer/*（start、range、plan、cancel、status、detect_skeleton）· /models/*（列出 / 切換 / 載入）· /finetune/* 與 /auto_finetune/*（完整 CRUD、delta 匯入匯出）· /video/*（順序解碼、正確處理 VFR）· /psd/* · /export/*（MP4 / GIF 合成）· /ws/{session_id}（progress / complete / error / finetune_progress 推播）· /health。測試位於 backend/tests/（pytest）。
動畫師「鎖定 AI 原版（pos）／ 鎖定編輯版（pos_edited）／ 刪除（neg）」的行為被記錄為訓練訊號（feedback.jsonl，按引擎分桶），鎖定視為認可、刪除視為否決。
累積 ≥20 筆回饋且距上次 ≥6 小時，於閒置時自動觸發訓練（≥50 筆走緊急路徑）；動畫師一開始推論，訓練立即讓出 GPU——見於 ai/finetune_scheduler.py。
三元組（A, GT, B），Charbonnier loss + 負樣本 hinge loss；每次都從基底模型重新以 delta 增量訓練——不堆疊，避免個人化讓品質悄悄退步。
首次微調走 implicit gate（直接套用，監控刪除率）；後續走 validation gate（holdout 考古題池，相對改善 ≥5% 才通過）。三層 delta 持久化：pending.delta（驗收中）→ active.delta（生效）→ previous.delta（rollback 用），刪除率突增自動回滾。
| TimelineView / VM | 多軌時間軸、FPS、曝光格、多選框選、音軌波形（NAudio）與對齊。 |
| CanvasView / VM | 畫布繪圖（筆刷 / 圖層）、洋蔥皮疊加、縮放平移、骨架編輯模式。 |
| AiPanelView / VM | AI 中割面板：推論會話、引擎 / 模型選擇、骨架偵測與編輯、中割風格曲線。 |
| 匯入匯出 | 影片抽幀匯入對話框、MP4 / GIF 匯出、批次匯出視窗。 |
| 微調管理 | 模型切換、微調清單管理、個人化參數與排程狀態。 |
六組可勾選的部位 + A/B 錨點，在畫布上以骨架疊圖即時呈現，動畫師可逐點開關；TPS 引擎依鎖定點保持該部位不變形。動畫師也可直接在畫布拖拉骨架節點，引擎跳過自動偵測改用人工座標。
Smooth / Exaggerated / Mechanical / 自訂 Bezier 曲線（BezierEditorView）直接對應動畫表演的不同節奏，轉為自訂 t_values 送後端。
按住 F 鍵 ±2 格鐘擺播放，模擬動畫師手翻紙檢查動作。
LayerStore（各圖層像素，真相源）+ FrameStore（合成快取）分離；一張圖可曝光多格，以 DrawingId 而非格號識別。
ZIP 容器內含 project.json、圖層 PNG、音軌、可選微調 delta.pt（載入時有 Zip Slip 防護）。操作計數 + 閒置計時雙觸發、雙緩衝（autosave.celf + .bak）、CrashRecoveryDialog。
使用者資料集中於 %LOCALAPPDATA%\CelFlow\（projects、autosave、feedback、finetunes、logs）。
CLI（cli/celflow_cli.py）：interpolate（中割生成）· batch（批次處理）· export（匯出影片）· frames / info / validate（幀操作、專案資訊、檔案驗證）· serve（啟動後端）。tools/批次匯出.bat 讓非工程使用者拖曳 .celf 檔即完成「中割 + 匯出 MP4」。
打包發佈（dist/）：自含式安裝——內嵌完整 Python 3.14 環境 + 全部套件 + 模型檔，使用者免裝任何依賴；以 Inno Setup（CelFlow.iss）產生 CelFlow_Setup_1.0.1.exe。一鍵改版 rebuild.bat：dotnet publish → 複製後端 / CLI → ISCC 編譯（約 20 分鐘）。
研究區 hybrid_p0/：產品背後的實驗與訓練場。deepsketch/（SIGGRAPH 2024 深度學習線稿向量化）· animeinbet/（ICCV 2023 線稿中割論文實作與再訓練，產品用的 Hybrid 權重即出自這裡）· ml240_data/（MixamoLine240 訓練資料集）+ p1/p2_pipeline/（處理管線）。各實驗有獨立 venv，與產品環境隔離。
不同引擎對線稿乾淨度的需求是相反的，硬塞進同一個引擎用旗標切換，只會埋下難解的耦合。
粗粒度的「該用哪個引擎」（L1，AutoRouter）與細粒度的「引擎內部該用哪個 backend / 尺寸」（L2）是兩件事，刻意不混為一談。
把使用者不該煩惱的引擎選擇收起來，但動畫師真正該擁有的創作控制權一個都不能少——收進「進階」摺疊區，需要時隨手展開。
每次都從基底模型重新訓練（不堆疊），通過驗證才切換，確保個人化不會讓品質悄悄退步。
| 前端 | C# .NET 10（WPF）· CommunityToolkit.Mvvm · DI（Microsoft.Extensions）· NAudio · NLog |
| 後端 | Python 3.14 · FastAPI · uvicorn · PyTorch（CUDA）· ONNX Runtime · OpenCV |
| AI 引擎 | RIFE v4.26（光流）· TPS（骨架變形）· AnimeInbet（GNN）· Hybrid（複合） |
| 骨架偵測 | MediaPipe · RTMPose · DWPose |
| 檔案格式 | 自訂 .celf 格式（以 ZIP 為基礎） |
| 發佈 | Inno Setup + 內嵌 Python（自含環境）· 一鍵 rebuild.bat |
規劃以 Avalonia UI + SkiaSharp 重構視圖層，讓核心邏輯延伸到 iPad / Android，把這套工具帶到動畫師真正在用的手繪裝置上。
核心 Hybrid 引擎已整合上線並通過測試，後續的 AnimeInbet 微調則刻意延後——等累積足夠的真實使用數據、確認確有需求後再決定啟動，避免為了做而做。
Windows 安裝檔（Inno Setup）。由於整合了完整的 AI 推論環境（PyTorch / CUDA / 全套模型），安裝檔較大，下載前請確認網路與磁碟空間。