I notice you've asked me to translate into Japanese, but then specified "Academic Paper Translation to Chinese." These instructions conflict. Could you clarify which language you need? If you need Japanese translation, I'll follow the original instructions. If you need Chinese translation, please provide the source text and I'll translate it accordingly.

### 直译 从图像生成到视频生成：扩散模型（Diffusion Models）在计算机视觉中的全面综述 **摘要**、、在计算机视觉领域，扩散模型作为一种强大的生成框架，取得了显著的成功，其模型架构的演进直接推动了图像和视频生成质量的提升。然而，对于这些模型，尤其是从图像到视频生成场景中的模型，缺乏全面的综述。本文对扩散模型进行了系统性的综述，涵盖了三个关键方面：首先，我们探讨了扩散模型在图像生成中的架构演化，突出了四种前沿架构：基于卷积的网络、基于Transformer的网络、基于U-Net的网络以及基于变分自编码器（VAE）的网络。其次，我们回顾了视频生成的技术进展，包括循环架构、基于3D U-Net的架构以及基于扩散Transformer（DiT）的架构，强调了帧序列建模中的关键挑战。第三，我们提出了一个创新的分类体系，根据潜在空间内的条件机制对图像到视频生成进行系统分类，涵盖无条件生成、类别条件生成、文本条件生成、视频条件生成、图像条件生成、指令条件生成以及控制条件生成。此外，我们还严格评估了这些图像到视频扩散模型的性能，基于质量和效率指标对其进行排名，并提出了一条评估基准线的基线。最后，我们总结了应用中常遇到的挑战，并指出了未来研究潜在的方向。[项目页面](https://github.com/showLab21/awesome-image-to-video) --- ### 意译 ``` 从生成图像到生成视频：扩散模型在计算机视觉中的全面综述 摘要、、在计算机视觉领域，扩散模型凭借其卓越的生成能力取得了显著成就，而模型架构的更新换代则持续推动了图像与视频生成质量的提升。然而，目前相关综述仍然较为缺乏，尤其是针对从图像到视频生成这一重要场景的模型研究。为了填补这一空白，本文从三个层面系统梳理了扩散模型的发展。首先，我们回顾了扩散模型在图像生成中的架构演变，重点介绍了四种代表性架构：卷积网络、Transformer 网络、U-Net 网络以及变分自编码器（VAE）网络。随后，我们讨论了视频生成领域的技术进展，包括循环架构、3D U-Net 架构以及扩散 Transformer（DiT）架构，并重点分析了帧序列建模中的关键难点。在此基础上，我们提出了一套全新的分类方法，将图像到视频生成方法按照潜在空间中的条件机制进行系统归类，具体包括无条件生成、类别条件生成、文本条件生成、视频条件生成、图像条件生成、指令条件生成以及控制条件生成等七类。此外，我们还从生成质量和计算效率两个维度评估了各类图像到视频扩散模型的性能表现，并给出了一个用于评估基准测试的基准线。最后，我们总结了实际应用中常见的挑战，并展望了该领域未来可能的研究方向。 ```