Nghiên cứu này tập trung cải tiến các kỹ thuật phát hiện và thay thế đối tượng trong video, một lĩnh vực then chốt của thị giác máy tính. Mục tiêu chính là nâng cao độ chính xác khi nhận diện đối tượng và đảm bảo tính nhất quán về mặt không gian - thời gian trong suốt quá trình thay thế. Phương pháp tiếp cận dựa trên việc tối ưu hóa kiến trúc mạng nơ-ron sâu, kết hợp chặt chẽ giữa phân đoạn thực thể và kỹ thuật nội suy bối cảnh tiên tiến. Bằng cách khai thác đặc trưng dòng quang học, nghiên cứu đề xuất quy trình giúp giảm thiểu hiện tượng rung mờ và sai lệch cấu trúc giữa các khung hình liên tiếp. Kết quả mong đợi là một hệ thống có khả năng thay thế đối tượng tự nhiên, đạt hiệu suất cao về chất lượng thị giác. Đề tài đóng góp quan trọng vào việc tự động hóa hậu kỳ video, đồng thời mang lại giải pháp tối ưu cho các ứng dụng thực tế ảo tăng cường hiện nay.