本文介绍了一种基于生成对抗网络的新型纹理合成模型，即空间 GAN（SGAN），其通过将输入噪声分布空间从单一向量延展至整个空间张量，实现了高品质、高可扩展性和快速实时正向生成等特点，并能够将多个不同类别的源图像融合到复杂的纹理中。同时，本文还讨论了该方法的一些局限性，并将其与其他神经纹理生成技术进行了比较。

Nov, 2016

本文提出了一种新型任务：非平稳多纹理合成，通过使用多尺度生成器以及分类特定的训练策略，可以在一个模型中合成多个非平稳纹理，实现纹理扩展和全局结构一致性，并获得更出色的性能和时间效率。

May, 2023

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

本文提出了一种新颖的纹理合成框架，可以根据 2D 示例图像生成无限高质量的 3D 纹理，通过训练深度神经网络模型进行纹理生成，其中采用了结合样式迁移和生成对抗网络思想的新型损失函数，将分析网络深度特征的 Gram 矩阵与合成网络匹配，同时还提出了两种架构概念和外推策略以提高泛化性能，并通过定量和定性评估以及用户研究证实了其胜于先前最先进模型的性能。

Jun, 2020

本文提出了 Markovian Generative Adversarial Networks (MGANs) 的方法，用于训练具有高效纹理合成功能的生成神经网络。通过对 Markovian patch 的特征统计进行捕捉，可以直接生成具有任意尺寸的输出，从而使合成图像的速度显著提高，并在纹理合成、样式转移和视频样式化等领域得到应用。

Apr, 2016

本文提出了一种处理非稳定纹理合成的基于示例的方法，通过引入一种新的两步方法，用户首先使用标准图像编辑工具修改参考纹理，得到一个初步的目标合成图，随后采用自我校正的方法，利用预先训练的扩散网络和自注意力机制，渐进地将目标合成图与参考图进行对齐，从而保留所提供目标中的结构，并在非稳定纹理处理上取得了显著的进展。

Jan, 2024

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

通过 Expansive Synthesis 模型，从有限样本中生成大规模、高保真度的数据集，提供解决数据稀缺问题的鲁棒方案，为机器学习应用中的数据提供了更强可用性的途径。

Jun, 2024

本文提出一种新的方法，通过操作图像生成的细节方面生成无限制的对抗性样本，使用最新的生成模型学习样式和随机修改，可用于分类、语义分割和物体检测模型的有目标和非有目标的无限制攻击，并在保证人类可分辨度的前提下，能够成功地规避经认证的防御措施，同时证明在仅使用原有模型结构的情况下，本文的对抗训练方法在增进原有模型在干净图像上表现方面也有很大提升。

Nov, 2019

本文研究了纹理合成的两大方法，即基于统计学特征和重组补丁方法，并探索了混合方法以及卷积神经网络的应用，但在处理多尺度的真实纹理图像时面临挑战。

Jul, 2017