本文研究了纹理的视觉属性及对不同模型的影响，发现现有的生成和判别模型不能很好地捕捉纹理的组成属性。我们以证据支持了此观点，并提供了可解释性的模型来生成基于语言的解释，以加深对纹理分类的理解。我们通过在 Caltech-UCSD 鸟类数据集上进行精细分类，证明了该数据集上所学习到的纹理属性相比专家设计的属性能够实现显著改进。

Aug, 2020

本文提出了一种基于可描述纹理数据集的词汇表，用于描述常见的纹理模式，以及一些对应的图像识别技术，包括物体材质和纹理属性的实时识别，并通过将深度模型卷积层用作滤波器进行优化以获得卓越的性能。

Jul, 2015

我们介绍了 text2fabric，这是一个将自由文本描述与各种面料材料相链接的新型数据集。该数据集包括 15,000 个自然语言描述，与 3,000 个相应的面料材料图像相关联。通过分析数据集，我们确定了从描述中出现的紧凑词汇表、属性集和关键结构。这使我们能够准确理解人们如何描述面料，并为推广到其他类型材料绘制方向。我们还展示了我们的数据集使得像 CLIP 这样的大型视觉语言模型能够专门化，为面料外观创建有意义的潜在空间，并显著提高了细粒度材料检索和自动字幕等应用。

Jul, 2023

本论文主要讨论了纹理分析方法在计算机视觉领域的应用，包括图像处理、对象识别、表面缺陷检测、医学图像分析等，并重点介绍了统计、结构、基于模型和基于变换等四种纹理分析方法，以及组合方法在纹理分析中的应用，同时总结了常见的分类器及纹理图像数据集。

Apr, 2019

本文提出了一种基于灰度差异矩阵和局部二值模式特征的特征表示和基于 K-means 聚类的图像采集算法，用于收集更高效的纹理图像数据库，并通过一些先进的纹理分类技术进行了性能评估。

Mar, 2018

介绍了二维、时空三维和四维等不同领域中最具代表性的 Local binary patterns 及其变种，探讨了其应用，包括纹理、图像描述和信号分析等，同时简要概述了其未来的研究挑战。

Dec, 2016

本文主要研究基于不同光线条件下的颜色纹理识别技术，通过对新旧特征及彩色规范化等方面进行广泛比较评估，研究不同的光照变化对纹理描述符的影响，得出在大范围成像条件下纹理描述符的鲁棒性。

Aug, 2015

本研究探讨了 CLIP 在自然语言描述的自然图像中对纹理的理解能力。我们分析了 CLIP 在各种纹理和材质分类数据集上的零样本学习表现，分析了它对 DTDD 数据集上红点或黄色条纹等纹理组成特性的表达能力，以及对通过描述鸟身体部位的颜色和纹理来进行细粒度分类的帮助。

Mar, 2022

本文介绍了一种基于卷积神经网络（CNN）的新型纹理描述符 D-CNN，并在嘈杂的环境下完成了纹理和材料识别，并实现了 81.1% 至 82.3% 的识别准确率，显著提高了现有方法的性能。

Nov, 2014

本文通过对最近的 CNN-based 描述符进行系统评估和比较，梳理深度卷积神经网络在纹理表示和分类变量不变性方面的性质，并提出了一个可视化的方法来理解这个性质。最后，作者介绍了一个关于纹理分析和合成的参数化模型，可以用于基于属性的图像操作以及图像的纹理化处理。

Nov, 2015