NGHIÊN CỨU CÁC MÔ HÌNH CHUYỂN ĐỔI HÌNH ẢNH THÀNH VIDEO: MỘT ĐÁNH GIÁ TOÀN DIỆN

Đỗ Thanh Mai; Tô Hữu Nguyên

doi:10.34238/tnu-jst.13790

NGHIÊN CỨU CÁC MÔ HÌNH CHUYỂN ĐỔI HÌNH ẢNH THÀNH VIDEO: MỘT ĐÁNH GIÁ TOÀN DIỆN

Thông tin bài báo

Ngày nhận bài: 19/10/25 Ngày hoàn thiện: 30/12/25 Ngày đăng: 31/12/25

Các tác giả

1. Đỗ Thanh Mai , Trường Ngoại ngữ - ĐH Thái Nguyên
2. Tô Hữu Nguyên, Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên

Tóm tắt

Bài báo trình bày một nghiên cứu tổng quan có hệ thống về các mô hình trí tuệ nhân tạo cho bài toán chuyển đổi hình ảnh thành video, tập trung vào hai hướng tiếp cận chính là Diffusion Models và Transformer-based Models. Quy trình rà soát tài liệu được thực hiện theo hướng dẫn PRISMA 2020, nhằm đảm bảo tính minh bạch và khả năng tái lập. Các công trình được tìm kiếm trong giai đoạn 2019–2025 trên các cơ sở dữ liệu IEEE Xplore, ACM Digital Library, SpringerLink, ScienceDirect và arXiv, với các từ khóa như “image-to-video generation”, “video synthesis” và “transformer video generation”. Sau các bước sàng lọc và đánh giá, năm mô hình tiêu biểu được lựa chọn để phân tích gồm Imagen Video, Make-A-Video, Tune-A-Video, AnimateDiff và LTX-Video. Phân tích được thực hiện trên cả hai khía cạnh định lượng và định tính, thông qua các độ đo phổ biến như FID, CLIPSIM và Temporal Consistency. Kết quả cho thấy các mô hình diffusion như Imagen Video tạo ra khung hình có chất lượng cao, trong khi các mô hình transformer như LTX-Video thể hiện ưu thế về tính nhất quán thời gian và chuyển động mượt mà. Các mô hình lai như Make-A-Video và AnimateDiff đạt được sự cân bằng giữa hai yếu tố này. Nghiên cứu cung cấp một cái nhìn hệ thống về sự phát triển của mô hình chuyển đổi ảnh thành video và thiết lập quy trình đánh giá theo chuẩn PRISMA, giúp các nhà nghiên cứu dễ dàng tái thực nghiệm và mở rộng kết quả cho các ứng dụng như sáng tạo nội dung, thực tế ảo và giáo dục thông minh.

Từ khóa

Hình ảnh sang video; Học sâu; Mô hình khuếch tán; Xử lý video; Khảo sát

Toàn văn:

PDF

Tài liệu tham khảo

[1] C. Liu and H. Yu, “Ai-empowered persuasive video generation: A survey,” ACM Comput. Surv., vol. 55, no. 13, pp. 1–31, 2023.

[2] P. Eigenschink, T. Reutterer, S. Vamosi, R. Vamosi, C. Sun, and K. Kalcher, “Deep generative models for synthetic data: A survey,” IEEE Access, vol. 11, pp. 47304–47320, 2023.

[3] D.-Q. Vu, T. P. T. Thu, N. Le, and J.-C. Wang, “Deep learning for human action recognition: a comprehensive review,” APSIPA Trans. Signal Inf. Process., vol. 12, no. 1, pp. 1–47, 2023.

[4] D.-Q. Vu and T. P. T. Thu, “Simultaneous context and motion learning in video prediction,” Signal Image Video Process., vol. 17, no. 8, pp. 3933–3942, 2023.

[5] P. Dhariwal and A. Nichol, “Diffusion models beat gans on image synthesis,” Adv. Neural Inf. Process. Syst., vol. 34, pp. 8780–8794, 2021.

[6] R. Rombach, A. Blattmann, D. Lorenz, P. Esser, and B. Ommer, “High-resolution image synthesis with latent diffusion models,” presented at the Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 2022, pp. 10684–10695.

[7] J. Ho et al., “Imagen video: High definition video generation with diffusion models,” ArXiv Prepr. ArXiv221002303, 2022.

[8] A. Melnik, M. Ljubljanac, C. Lu, Q. Yan, W. Ren, and H. Ritter, “Video Diffusion Models: A Survey,” Trans. Mach. Learn. Res., 2024, [Online]. Available: https://openreview.net/forum? id=rJSHjhEYJx. [Accessed Oct. 03, 2025].

[9] V. Micheli, E. Alonso, and F. Fleuret, “Transformers are Sample-Efficient World Models,” in The Eleventh International Conference on Learning Representations, 2023, pp. 1–21. [Online]. Available: https://openreview.net/forum?id=vhFu1Acb0xb. [Accessed Oct. 03, 2025].

[10] W. Hong, M. Ding, W. Zheng, X. Liu, and J. Tang, “CogVideo: Large-scale Pretraining for Text-to-Video Generation via Transformers,” in The Eleventh International Conference on Learning Representations, 2023. [Online]. Available: https://openreview.net/forum?id=rB6TpjAuSRy. [Accessed Oct. 03, 2025].

[11] U. Singer et al., “Make-a-video: Text-to-video generation without text-video data,” ArXiv Prepr. ArXiv220914792, 2022.

[12] J. Z. Wu et al., “Tune-a-video: One-shot tuning of image diffusion models for text-to-video generation,” in Proceedings of the IEEE/CVF international conference on computer vision, 2023, pp. 7623–7633.

[13] R. Villegas et al., “Phenaki: Variable Length Video Generation from Open Domain Textual Descriptions,” in International Conference on Learning Representations, 2023. [Online]. Available: https://openreview.net/forum?id=vOEXS39nOF. [Accessed Oct. 03, 2025].

[14] S. Yu, K. Sohn, S. Kim, and J. Shin, “Video probabilistic diffusion models in projected latent space,” in Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 2023, pp. 18456–18466.

[15] A. Blattmann et al., “Align your latents: High-resolution video synthesis with latent diffusion models,” in Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 2023, pp. 22563–22575.

[16] Y. Guo et al., “AnimateDiff: Animate Your Personalized Text-to-Image Diffusion Models without Specific Tuning,” in The Twelfth International Conference on Learning Representations, 2024, pp. 1–14. [Online]. Available: https://openreview.net/forum?id=Fx2SbBgcte. [Accessed Oct. 03, 2025].

[17] Y. HaCohen et al., “LTX-Video: Realtime Video Latent Diffusion,” CoRR, vol. abs/2501.00103, Jan. 2025. [Online]. Available: https://doi.org/10.48550/arXiv.2501.00103. [Accessed Oct. 03, 2025].

DOI: https://doi.org/10.34238/tnu-jst.13790

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ