Настоящая работа посвящена улучшению качества нейросетевого представления видео на основе архитектуры NeRV. Суть подхода INR (Implicit Neural Representations) — кодировать весь видеопоток в виде функции от времени, что даёт компактные веса и гибкое декодирование, — хорошо известна, однако базовая конфигурация NeRV стабильно проигрывает в высокочастотных зонах: границы объектов и мелкие текстуры восстанавливаются хуже всего. Решение — двухшаговая процедура. Сначала обычный MLP учится восстанавливать «грубую» картинку (низко- и среднечастотные составляющие). Затем вторая сеть смотрит на ошибку первой, умноженную на коэффициент α, и пытается её компенсировать; итог взвешенно складывается. Проверка велась на последовательностях DAVIS (1280×720, 20 кадров). Результаты показали рост PSNR на +5,96 дБ — с 25,19 до 31,16 дБ — и увеличение SSIM до 0,870 по сравнению с исходной конфигурацией. Динамическое квантование INT8 уменьшило объём весов модели в 3,9 раза (BPP снизился с 1238,49 до 316,83) практически без потери качества (ΔPSNR ≤ 0,04 дБ). Сопоставление с традиционным кодеком H.264 (CRF 23) показало, что по эффективности сжатия INR-модели уступают (BPP 316,83 против 0,276), однако располагают рядом принципиальных достоинств: непрерывным временным представлением, возможностью синтеза кадров при произвольном разрешении и отсутствием привязки к GOP-структуре. Созданный программный комплекс полностью воспроизводим и включает модули обучения, визуализации карт остаточных ошибок, автоматического расчёта метрик качества и построения кривых Rate-Distortion.