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

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

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

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

本研究提出了一种自编码器体系结构，可以用于多纹理合成。该方法依赖于同时考虑二阶神经统计和自适应周期性内容的紧凑编码器和生成器，将图像嵌入一个紧凑和几何一致的潜空间，在这个空间内实现纹理表示和其空间组织的解耦。实验结果表明，该模型在视觉质量和各种纹理相关指标方面优于最先进的前馈方法。

Feb, 2023

本研究针对纹理领域缺乏大规模多样数据的问题，提出了一种新方法和数据集，用于生成高质量、多样的纹理图像。通过开发输入提示、调整生成模型以及严格筛选，最终创建了一个包含362,880幅纹理图像的Prompted Textures Dataset (PTD)。研究发现，纹理图像在安全过滤过程中容易被错误标记，揭示了当前模型的潜在偏见。

Sep, 2024