目前视频资源在互联网上的传播越来越广泛。为了在传输尽可能高质量的视频的同时减少传输时所需要的带宽,研究者们提出了许多视频压缩方法,并制订了视频编码标准。但是无论是传统的视频压缩方法还是基于深度学习的视频压缩模型,在压缩过程中都会对不同时间的视频帧采用不同的压缩模式。这会导致视频中存在质量波动性。近年来,研究者们提出了许多深度神经网络来利用压缩视频中的质量波动性去提高视频的整体质量。这些网络的输入帧包含待增强的目标帧和若干帧参考帧。在这些网络中往往需要利用运动估计和运动补偿方法来提取不同时间的视频帧之间的信息。但是由于待增强的目标帧和参考帧的质量不同以及可能存在的遮挡问题,网络中运动估计部分的准确率会受到影响。另外,目前的方法没有考虑不同质量的视频帧以及视频帧中的不同位置所包含的不同的信息量。我们针对这些问题提出了改进,在此基础上同时估计参考帧之间的运动信息,并引入了混合注意力机制来对不同时空位置的特征进行注意力加权。另一方面,可变形卷积也可以用来提取输入帧中的时空信息并进行隐式的运动估计和运动补偿,但目前的方法没有尝试将其与输入帧的峰值采样策略相结合。我们将二者结合并将可变形卷积扩展为完全可变形卷积来提升结合后网络的整体性能。我们在公开的大规模视频数据集上对我们所提出的网络进行了训练,并在标准视频测试序列上进行了测试。实验验证了我们所提出的网络的有效性和鲁棒性。