La interpolación de fotogramas de video tiene como objetivo generar fotogramas intermedios en un video para mostrar detalles más finos. Sin embargo, la mayoría de los métodos solo se entrenan y prueban en conjuntos de datos de baja resolución, careciendo de investigación sobre problemas de interpolación de fotogramas de video 4K. Esta limitación dificulta el manejo del procesamiento de video de alta velocidad de cuadros en escenarios del mundo real. En este artículo, proponemos un conjunto de datos de video 4K a 120 fps, llamado UHD4K120FPS, que contiene grandes movimientos. También proponemos un marco novedoso para resolver la tarea de interpolación de fotogramas de video 4K, basado en una estructura de red de pirámide multi-escala. Introducimos la autoatención para capturar dependencias y auto-similitudes a larga distancia en el espacio de píxeles, lo que supera las limitaciones de las operaciones convolucionales. Para reducir el costo computacional, utilizamos un enfoque basado en mapeo simple para aligerar la autoatención, permitiendo aún pesos de agregación conscientes del contenido. A través de experimentos cuantitativos y cualitativos extensos, demostramos el excelente rendimiento logrado por nuestro modelo propuesto en el conjunto de datos UHD4K120FPS, así como ilustramos la efectividad de nuestro método para la interpolación de fotogramas de video 4K. Además, evaluamos la robustez del modelo en conjuntos de datos de referencia de baja resolución.