本研究提出了一种基于几何图形的纹理生成方法，通过引入显式初始化和对齐程序来提高最新的对抗性纹理优化的鲁棒性，并将其应用于计算机视觉中的 11 个场景数据集中，能够获得相对于感知和锐度度量方面的 7.8％和 11.1％的相对改善。

Jul, 2022

本文介绍了一种使用条件生成式对抗网络解决无监督多样化上色问题的方法，并在 LSUN 卧室数据集上表现出高竞争性和高可信度的着色结果。

Feb, 2017

提出了 Adversarial Texture 技术，应用于制作物理世界中可以欺骗人物探测器的衣着。使用 Toroidal-Cropping-based Expandable Generative Attack（TC-EGA）方法进行生成。

Mar, 2022

本文提出了一种生成不引人注目的材质的系统，能够迷惑物体跟踪系统，比如通过使用各种优化策略生成对抗性材质，进而在物理世界中对机器人相机进行视觉混淆，实现物体规避目的。同时，作者比较了不同的条件变量，包括视点，光照以及外观，以寻找实用的高性能攻击设置。

Apr, 2019

改进了基于梯度的纹理优化方法，通过加入一个评估器实体并分析四种策略，使得 NeRF 对象渲染器可以学习到逼真且对抗性的纹理。结果表明，策略 2 和 3 对未来研究更具有潜力。

May, 2024

提出一种利用半监督方法，在图像的着色和反照率层上操作，训练半监督网络用于图片合成，该方法可以有效提高 OpenGL 渲染等低质量合成图像的视觉逼真度。该方法通过两个阶段的管道来实现，即首先以物理学渲染为目标以有监督的方式预测准确的着色，然后再采用改进的 CycleGAN 网络进一步提高纹理和着色的逼真度。 在 SUNCG 室内场景数据集上进行的广泛评估表明，与其他最先进的方法相比，我们的方法可以产生更逼真的图像。此外，我们所生成的 “真实” 图像训练出的网络比领域适应方法预测出更精确的深度和法线，这表明提高图像的视觉逼真度可以比强加任务特定的损失效果更良好。

Mar, 2020

本文提出了一种利用 3D 建模技术生成的伪装纹理，来制作能够有效规避多角度人体检测器的伪装服装，实验结果表明这类服装具有较高的攻击成功率。

Jul, 2023

该研究利用对抗训练方法实现单目深度估计，通过引入上下文感知的非局部损失函数，将深度值的预测作为一个整体进行惩罚，具有较好的性能表现。

Aug, 2018

该研究的目的是通过将生成模型的虚拟数据迭代地逼近真实世界的数据分布，提高计算机视觉系统训练的泛化性能，该方法通过对生成图形模型的参数先验分布进行后验密度估计，结合生成对抗训练，提高了交通场景语义标注任务的性能。

Jan, 2017

通过设计一种名为 TT3D 的新型框架，可以从少量多视图图像中快速重建为可转移的针对性的 3D 纹理网格，该方法不仅展示出卓越的跨模型转移能力，而且在不同的渲染和视觉任务中保持可观的适应性，此外，通过 3D 打印技术在真实世界中生成的 3D 对抗样本也得到了鲁棒的验证。

Dec, 2023