A industria de animações tradicionais vem apresentando grande crescimento nas últimas decadas. Dentre essas, destacou-se o estilo "anime", tipo de animação produzida primariamente no Japão. Animações tradicionais deste tipo são caracterizadas por uma grande quantidade de quadros desenhados manualmente, e também pela exageração dos traços e aspectos dos elementos presentes em uma cena, frequentemente deixando de representar certos objetos de uma forma mais realística para ressaltar seus principais aspectos. À medida que cresce a demanda por mais animações deste tipo, cresce também a carga de trabalho sobre os artistas encarregados por elas. Na animação tradicional, isso se reflete no aumento da quantidade de quadros que precisam ser desenhados, uma vez que o número de quadros apresentados em cada cena costuma influenciar diretamente na qualidade percebida por quem a vê. Este processo apresenta um desafio para estudios de animação, uma vez que ele necessita, em grande parte, ser feito à mão, por depender muito da visão artística de quem o desenha. Há também a dificuldade em implementar automações em sua confecção, visto que as ferramentas disponíveis hoje produzem resultados notavelmente diferentes do esperado em animações de grande porte. Nesta dissertação estudamos a viabilidade da geração de quadros intermediários em animações tradicionais utilizando redes neurais. Apresentamos os desafios em treinar uma rede para este propósito, que são a escassez de imagens propícias para sua realização, bem como a impossibilidade de utilizar métodos de interpolação de vídeo já existentes por conta da notável diferença entre desenhos e imagens reais. Explicamos também a metodologia e experimentos realizados, que têm como objetivo analisar os resultados da inferência temporal das imagens, calculada para cada par de quadros na animação original. Para facilitar a aplicação e visualização dos modelos implementados, desenvolvemos um programa de código aberto que realiza a interpolação de quadros intermediários a partir de um conjunto de quadros reais. Esse programa pode inspirar futuros desenvolvedores a criar uma ferramenta profissional para artistas utilizarem em suas criações.

The industry of traditional animations has seen considerable growth in the last decades. One type of animation that has made a great impression is the "anime" style, which is primarily produced in Japan. Traditional animations of this kind are characterized by a great amount of hand-drawn frames, and by an exaggerated use of strokes and perspectives in a scene, frequently opting to not present certain elements realistically in order to highlight some of their features. As the demand for this kind of animation grows, the workload of the artists in change follows suit. In traditional animation, this is reflected in an increased number of frames that must be drawn, since the quantity of frames in each scene has a direct correlation with the perceived quality of those who view it. This process presents a challenge for animation studios, as it is predominantly handmade due to its dependency on the artistic vision of those who draw it. It is also difficult to implement automation in its creation, as the tools available today produce results notably different from what is expected by high-quality animations. In this dissertation, we study the viability of using neural networks to generate inbetween frames in traditional animation. We present the challenges in training a network for this purpose, which are the scarcity of valid images for its training, as well as the impossibility of using well-known video interpolation methods due to the notable difference between drawings and real footage. We also explain the methodology and experiments performed, which were used to analyze the results of the temporal image inference, calculated for each pair of frames from the original animation. In order to facilitate the visualization of the implemented models, we have developed an open-source program that can interpolate inbetween frames by using a set of real frames, and that may inspire future developers to create professional tools for artists to use.