基于CNN的纹理生成中引入远程一致性
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
研究表明，随机浅层卷积神经网络的特征空间可以作为自然纹理的模型，可以用于纹理合成算法，并且相较于深层CNNs模型，浅层CNNs模型具有相当的性能。
May, 2016
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生成对抗网络（GAN）的纹理合成新方法，称为周期空间GAN（PSGAN），该方法可以从复杂大型图像数据集中学习多种纹理，生成的样本在结构化噪声空间内可以平滑插值，生成新样本，并可以准确学习周期性纹理，能够灵活处理不同的纹理和图像数据源，可扩展性强，能够生成任意大小的输出图像。
May, 2017
本文介绍了一种基于生成对抗网络的例子合成方法，用于处理包括空间非同变、不均质等非稳态纹理，实现了大尺度结构的捕捉，其简单的概念性方法极有效，成为解决有挑战性的纹理的无其他现有方法可处理。
May, 2018
通过对经典图形渲染管道的启发，我们提出了视觉对象网络（VON）——一种生成对象自然图像的新型生成模型，它生成具有解缠的3D表示的对象自然图像，让图像不仅具备比最先进的2D图像合成方法更加逼真的外观，还能进行各种3D操作。
Dec, 2018
通过引入Deferred Neural Rendering和Neural Textures，本文提出一种新的渲染模型，可以快速准确地合成出高质量的视觉效果，即使输入的3D内容不完整嘈杂，同时可以在多个应用领域内进行使用，例如在新颖的视角合成，场景编辑和面部复制等方面。
Apr, 2019
在输入多张图像且需要大规模输出的纹理合成问题中，本文基于生成对抗网络提出两个扩展解决方案，一是结合较小分辨率的GAN训练产生边界无明显痕迹的大规模纹理地图，二是提供用户界面进行艺术控制，我们的定量和定性结果展示了合成高分辨率地图的成功案例。
Apr, 2019
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