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

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

本文介绍了一种新的层用于选择性地在图像中放置信息，并选择图像合成的笔划宽度。方法利用了三个想法：首先，回归推断出转置卷积结果的位置偏移量；其次，将偏移位置权重广播到可学习的邻域；第三，利用紧凑参数化共享权重和限制偏移量。最终结果表明，该方法可应用于诸如实例分割、目标检测、语义分割、生成图像建模和 3D 磁共振图像增强等多种任务，并优于现有的转置卷积变体。

Oct, 2022

本文提出一种基于语义分割概率图的空间特征变换（SFT）层，能有效恢复语义类匹配的纹理特征，使得卷积神经网络（CNN）进行单图像超分辨率（SR）重建更具真实性和视觉感受性。

Apr, 2018

本文提出一种对卷积网络的特征进行简单修改的方法，可以将长程结构纳入图像生成，并渲染满足各种对称约束的图像以及在图像修复和季节转换等方面应用广泛。

Jun, 2016

本论文旨在解决动态纹理和场景分类这两个问题，在提取特征方面使用深度学习的方法，即将一个经过训练的卷积神经网络作为中间特征提取器，进行空间和时间上的特征提取，从而实现优异的性能。

Feb, 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

本研究提出了一种基于核激活值的算法级优化技术，将原始内核分成四个子内核，从而降低了内存需求和不必要的乘法运算，提高了转置卷积层的计算效率。实验结果显示，采用所提出的优化方法比传统实现快 $2.2$ 倍。

Sep, 2022

本文使用卷积神经网络和傅里叶频谱以及统计特征约束来实现纹理合成，并实验表明与现有方法相比具有更好的性能。

May, 2016

使用卷积神经网络的特征表示来计算时空统计量，并提出一种参数化的模型，能够合成新的动态纹理样本并预测简单电影中的运动。

Feb, 2017