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
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卷积神经网络的多尺度合成管道，采用直方图损失来综合纹理，改善以前方法中的不稳定性，同时通过集成局部样式损失来提高特征的质量，改善内容和样式的分离，并提供艺术控制，进而获得更高质量、更快收敛和更好的稳定性。
Jan, 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
本文介绍了一种通过草图、颜色和纹理生成深层次图像的方法。通过引入纹理控制来实现用户对输出纹理的控制，我们的生成网络可以学习到如何根据用户的纹理想法生成与之一致的对象，并且在实验中得到了验证。
Jun, 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。
通过卷积神经网络，构建了一种显式容忍纹理重采样的完全参考图像质量模型，利用纹理相似度和结构相似度结合来优化图像质量评估，在现有的数据库和纹理数据库上都表现出了具有竞争力的性能。
Apr, 2020
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
通过神经重参数纹理优化，我们提出了一种基于文本的高保真度纹理映射合成方法Paint-it。通过优化合成文本描述中的纹理映射，利用分数蒸馏采样(SDS)，并使用深度卷积物理渲染(DC-PBR)重新参数化基于物理的渲染纹理映射，以获得杂质滤波和优化课程调度，并能够在短时间内生成出色质量的PBR纹理映射。
Dec, 2023