介绍了一种基于卷积神经网络特征空间的自然纹理新模型，可生成具有高感知质量的样本，可作为神经科学刺激或深度卷积神经网络学习的新工具。
May, 2015
本文提出一种利用深度学习的方式，通过在训练阶段来移动计算负担，使用单个纹理样本训练紧凑的前馈卷积网络，可以生成任意大小的同一纹理的多个样本，并将艺术风格从给定图像传输到任何其他图像中，生成的网络轻巧，并且可以比Gatys等人的方法快数百倍。
Mar, 2016
本文使用卷积神经网络和傅里叶频谱以及统计特征约束来实现纹理合成，并实验表明与现有方法相比具有更好的性能。
May, 2016
使用卷积神经网络的特征表示来计算时空统计量，并提出一种参数化的模型，能够合成新的动态纹理样本并预测简单电影中的运动。
Feb, 2017
本文提出了一种基于深度生成式前馈网络实现的纹理综合方法，具有在一个网络内高效综合不同纹理并进行有意义插值的能力，并通过多项实验证明了提出的模型和技术的有效性和应用前缀。
Mar, 2017
本文提出了一种基于卷积网络(ConvNets)的两流(Two-Stream)动态纹理合成模型，它能够结合来自目标识别ConvNet的特征统计和来自光流ConvNet的特征统计生成全新的动态纹理，另外还引入图像风格迁移技术，能够将一个纹理的外观与另一个纹理的动态特性结合生成高质量的纹理。最后作者通过一个系统的用户实验，对该模型进行了客观的评价和验证。
Jun, 2017
本文提出了一种利用神经网络实现纹理插值的方法，通过对重建任务和生成任务同时训练网络，将样例纹理投影到潜空间中进行线性插值，并重投影到图像域中，从而实现直观的控制和逼真的效果；研究显示该方法优于其他方法，并给出了纹理笔刷、纹理溶解和动物杂交等多个应用。
Jan, 2019
采用最优传输理论来生成纹理样本，提出了一种基于卷积神经网络的插值方法，同时应用于人和猴子的视觉感知和神经敏感度研究，拓展了对视觉处理的理解。
Jun, 2020
提出了一种基于转置卷积操作的新方法，通过对输入纹理的整个编码特征图作为转置卷积滤波器，以及捕捉自相关信息的特征相似性图作为转置卷积输入，从而在几乎实时的单次前向传递中一次性合成未见过的纹理。
Jul, 2020
该文提出了一种基于非线性小波表示的统计方法，其可以用作一层CNN的一种实例来提高图像纹理合成的视觉质量。该方法取代了以往经典的小波模型，并在灰度和彩色纹理上达到了与最先进模型相似的视觉效果。
Mar, 2022